Post on 10-Mar-2020
Causalidade de Grangerem medidas de risco
Patricia Nagami Murakami
Dissertacao apresentadaao
Instituto de Matematica e Estatısticada
Universidade de Sao Paulopara
obtencao do tıtulode
Mestre em Ciencias
Programa: Estatıstica
Orientador: Profª. Drª. Clelia Maria de Castro Toloi
Sao Paulo, Fevereiro de 2011
Causalidade de Grangerem medidas de risco
Este exemplar corresponde a redacao
final da dissertacao devidamente corrigida
e defendida por Patricia Nagami Murakami
e aprovada pela Comissao Julgadora.
Banca Examinadora:
Prof. Dra. Patricia Nagami Murakami - IME-USP.
Prof. Dra. Chang Chiann - IME-USP.
Prof. Dr. Joao Ricardo Sato - UFABC.
Agradecimentos
Agradeco a todos que de alguma forma participaram na jornada da elaboracao
desse trabalho. Em especial, agradeco a minha famılia, por todo o apoio ao longo nao
so desse perıodo, mas sempre presente em todos os momentos. A minha orientadora
Clelia Toloi, pelos ensinamentos, pela paciencia e compreensao durante todo esse
tempo. Ao Josue Rocha, por me incentivar e motivar nos estudos do mestrado. As
queridas colegas de (muitos) estudos e amigas Francyelle Lima e Liliane Travassos,
que sem duvida me auxiliaram muito no desenvolvimento desse trabalho. Ao Romulo,
pelo apoio e compreensao nos momentos mais difıceis. As amigas Veronica Amparo
e Michele Figueiro que estiveram sempre presentes.
i
ii
Resumo
Esse trabalho apresenta um estudo da causalidade de Granger em Risco bivariado
aplicado a series temporais financeiras. Os eventos de risco, no caso de series finan-
ceiras, estao relacionados com a avaliacao do Valor em Risco das posicoes em ativos.
Para isso, os modelos CaViaR, que fazem parte do grupo de modelos de Regressao
Quantılica, foram utilizado para identificacao desses eventos. Foram expostos os con-
ceitos principais envolvidos da modelagem, assim como as definicoes necessarias para
entende-las. Atraves da analise da causalide de Granger em risco entre duas series,
podemos investigar se uma delas e capaz de prever a ocorrencia de um valor extremo
da outra. Foi realizada a analise de causalidade de Granger usual somente para como
comparativo.
Palavras-chave: Regressao Quantılica, Valor em Risco, Modelos CAViaR, Causali-
dade de Granger, Causalidade de Granger em Risco.
iii
iv
Abstract
The present work presents a study of bivariate Granger causality in risk applied
to financial time series. Risk events, considering financial series, are related to the
VaR evaluation in the assets open interest. The CaViaR models, which are part of
Quantilic Regression models, were used to identify these events. We exposed the
main concepts envolved at the modelling steps and some useful definitions in order
to understand it. With the analysis of Granger causality in risk between two series,
it is possible to investigate if one of the series is capable of predict the occurence of
a extreme value of the other. The study of the usual Granger causality was realized
only to compare the results.
Keywords: Quantile Regression, Value at Risk, CAViaR Model, Granger Causality,
Granger Causality in Risk.
v
vi
Sumario
Lista de Figuras xi
Lista de Tabelas xiii
1 Introducao 1
2 Conceitos 3
2.1 Mensuracao do Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Retornos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 Volatilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3 Valor em Risco (VaR) . . . . . . . . . . . . . . . . . . . . . . 5
2.1.4 Conditional Autoregressive Value at Risk (CaViaR) . . . . . . 7
2.1.5 Estimacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.6 Testes de Adequacao do Modelo . . . . . . . . . . . . . . . . . 11
2.1.7 Medidas auxiliares . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Causalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1 Causalidade de Granger . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Causalidade de Granger em Risco . . . . . . . . . . . . . . . . 20
3 Metologia 23
3.1 Hipotese de Causalidade de Granger em Risco . . . . . . . . . . . . . 23
3.2 Causalidade de Granger em Risco com Feedback . . . . . . . . . . . . 31
vii
4 Aplicacao 35
4.1 Descricao dos dados utilizados . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Calculo do VaR - CaViaR . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Ajuste e Adequacao para serie de log-retornos da BBDC4 . . . . . . . 40
4.4 Ajuste e Adequacao para serie de log-retornos da PETR4 . . . . . . . 45
4.5 Analise de Causalidade de Granger em Risco . . . . . . . . . . . . . . 55
4.6 Analise de Causalidade de Granger . . . . . . . . . . . . . . . . . . . 57
5 Consideracoes Finais 69
A Suposicoes para Teoremas 71
B Teoremas 73
Referencias Bibliograficas 77
Lista de Abreviaturas
VaR Valor em Risco.
CaViaR Conditional Autoregressive Value at Risk
BBDC4 Codigo de negociacao da acao do Banco Bradesco
PETR4 Codigo de negociacao da acao da Petrobras
RVCI Razao de Verossimilhanca do Teste de Cobertura Incondicional
RVind Razao de Verossimilhanca do Teste de Independencia
RVCI Razao de Verossimilhanca do Teste de Cobertura Condicional
DQ Estatıstica do teste do Quantil Dinamico
CQ Criterio Quantılico
FPE Final Predition Error
MQO Mınimos Quadrados Ordinarios
ix
x SUMARIO
Lista de Figuras
2.1 VaR de posicao comprada para retornos distribuıdos com f.d.p Nor-
mal(0,1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1 Nucleo Truncado (H=1). . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Nucleo de Bartlett (H=1). . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 Nucleo de Daniell (H=1). . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Nucleo de Parzen (H=1). . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5 Nucleo Truncado (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2). . . . . . . 29
3.6 Nucleo de Bartlett (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2). . . . . . 29
3.7 Nucleo de Daniell (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2). . . . . . . 29
3.8 Nucleo de Parzen (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2). . . . . . . 29
4.1 Serie de precos das acoes BBDC4 e PETR4. . . . . . . . . . . . . . . 36
4.2 Serie de log-retornos das acoes BBDC4 e PETR4 . . . . . . . . . . . 38
4.3 Histograma dos log-retornos para BBDC4 e PETR4. . . . . . . . . . 39
4.4 Q-Q plot normal dos log-retornos para BBDC4 e PETR4. . . . . . . . 39
4.5 VaR estimado por valor absoluto simetrico e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6 VaR estimado por inclinacao assimetrica e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 VaR estimado por GARCH(1,1) indireto e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.8 VaR estimado por modelo adaptativo e serie de log-retornos de BBDC4 44
xi
xii LISTA DE FIGURAS
4.9 VaR estimado por valor absoluto simetrico e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.10 VaR estimado por inclinacao assimetrica e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.11 VaR estimado por GARCH(1,1) indireto e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.12 VaR estimado por inclinacao assimetrica e serie de log-retornos de
BBDC4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.13 Valores estimados do FPE para i = 1, 2, ..., 24 na equacao (4.3) . . . . 59
4.14 Valores estimados do FPE para M12 = 1, 2, ..., 18 na equacao (4.5) . . 61
4.15 Valores estimados do FPE para i ∈ I1 na equacao (4.7) . . . . . . . . 63
4.16 Valores estimados do FPE para i = 1, 2, ..., 24 na equacao (4.8) . . . . 64
4.17 Valores estimados do criterio FPE para i = 1, 2, ..., 18 . . . . . . . . . 67
Lista de Tabelas
4.1 Datas e eventos para tratamento de BBDC4 . . . . . . . . . . . . . . 37
4.2 Datas e eventos para tratamento de PETR4 . . . . . . . . . . . . . . 37
4.3 Estatısticas descritivas amostrais das series de log-retornos das acoes
BBDC4 e PETR4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4 Estimativas dos Parametros Estimados para os Modelos CAViaR para
a serie BBDC4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.5 continuacao - Estimativas de Estatısticas de Teste dos Parametros Es-
timados para os Modelos CAViaR para a serie BBDC4. . . . . . . . . 51
4.6 Estimativas dos Parametros Estimados para os Modelos CAViaR para
a serie PETR4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.7 continuacao - Estimativas de Estatısticas de Teste dos Parametros Es-
timados para os Modelos CAViaR para a serie PETR4. . . . . . . . . 54
4.8 Estimativas das Estatısticas de Teste de Causalidade de Granger em
Risco (BBDC4 ⇒ PETR4) para nucleos truncado, Bartlett, Daniell e
Parzen com M variando em 5, 10, 20, 30 e 40 . . . . . . . . . . . . . 56
4.9 Estimativas das Estatısticas de Teste de Causalidade de Granger em
Risco (PETR4 ⇒ BBDC4) para nucleos truncado, Bartlett, Daniell e
Parzen com M variando em 5, 10, 20, 30 e 40 . . . . . . . . . . . . . 56
4.10 Estimativas das Estatısticas de Teste de Causalidade de Granger em
Risco (BBDC4 ⇔ PETR4) para nucleos truncado, Bartlett, Daniell e
Parzen com M variando em 5, 10, 20, 30 e 40 . . . . . . . . . . . . . 57
4.11 Valores estimados do FPE para i = 1, 2, ..., 24 na equacao (4.3) . . . . 58
4.12 Valores estimados do modelo completo (4.3) para s=18 . . . . . . . . 60
xiii
xiv LISTA DE TABELAS
4.13 Valores estimados do modelo reduzido (4.4) . . . . . . . . . . . . . . 60
4.14 Valores estimados do FPE para i = 1, 2, ..., 18 na equacao (4.5) . . . . 62
4.15 Valores estimados do modelo (4.5) para n=5 . . . . . . . . . . . . . . 63
4.16 Valores estimados do FPE para M22 = 1, 2, ..., 24 na equacao (4.8) . . 65
4.17 Valores estimados do modelo completo (4.8) para s=18 . . . . . . . . 66
4.18 Valores estimados do FPE para s=18 e i = 1, 2, ..., 18 na equacao (4.9) 66
4.19 Valores estimados do modelo completo (4.9) para s = 18 e n = 1 . . 68
Capıtulo 1
Introducao
Identificar, controlar e monitorar eventos extremos de investimentos financeiros
sao acoes essenciais para o gerenciamento de riscos. Um exemplo comum e a avaliacao
da posicao na carteira de acoes de um investidor. Com flutuacao de precos devido
as movimentacoes do mercado, o ativo sofre valorizacoes e desvalorizacoes ao longo
de um perıodo. O historico de variacoes de precos sera util para identificar certos
padroes de comportamento dos ativos, auxiliando no estudo de ocorrencia de eventos
extremos.
Neste trabalho, o foco do estudo sera entender o mecanismo de ocorrencia de
eventos extremos entre diferentes mercados. Sera apresentada uma abordagem para
Causalidade de Granger em deteccao de riscos extremos entre duas series financeiras.
Como medida de evento extremo, utilizou-se o VaR (Value at Risk), que e uma medida
amplamente conhecida no mercado como referencia para identificacao de um evento
de risco.
A ideia de se utilizar precos de acoes relacionados a duas empresas de ramos
distintos e verificar se existe alguma relacao de causalidade entre diferentes setores.
Se isso for verificado, as informacoes de uma delas poderia ser utilizada para prever
a ocorrencia de algum evento extremo da outra.
O estudo de Causalidade de Granger em Risco deste trabalho esta essencialmente
dividido em tres capıtulos: o primeiro abrange os conceitos de risco e causalidade, o
segundo expoe a metodologia de avaliacao da Causalidade de Granger e o terceiro e
1
2 CAPITULO 1. INTRODUCAO
a aplicacao da metodologia utilizando dados reais de series de precos de acoes.
O Capıtulo 2 de Conceitos expoe: as definicoes de retorno de ativo, que e a forma
de mensuracao dos precos de acoes; o VaR, que representa uma medida de evento de
risco e os modelos CAViaR, que foram propostos por Engle and Manganelli (2004)
[2] com o fim de modelar diretamento os quantis dos retornos, ao inves de considerar
toda distribuicao de retornos. Alem disso, sao expostos os testes de adequacao do
modelo e definidas medidas auxiliares para a escolha do melhor modelo.
A metodologia exposta no Capıtulo 3 apresenta a formulacao das hipoteses de
Causalidade de Granger em Risco e Causalidade de Granger em Risco com feedback,
propostas por Hong, Liu e Wang (2009) [7] . Nele, estao contidas as definicoes dos
componentes da estatıstica de teste como as funcoes de autocorrelacao cruzada e os
nucleos estudados (truncado, de Bartlett, Daniell e Parzen).
No Capıtulo 4, na aplicacao da metodologia proposta, foram utilizados dados de
precos das acoes negociadas na bolsa de valores das empresas Bradesco e Petrobras,
para estudo da causalidade de Granger em risco. Primeiramente constam os trata-
mentos a serem realizados nos dados e analise descritiva. A seguir, constam os passos
da modelagem do calculo do VaR utilizando os modelos CaViaR. Apos escolha do
melhor modelo aplicado as duas series, as series transformadas sao utilizadas para o
teste de causalidade de Granger em Risco. Foi realizado o teste de causalidade de
Granger usual somente para efeitos comparativos, seguindo metodologia proposta por
Hsiao (1979) [6] e Pierce e Haugh (1977) [15].
Os codigos desenvolvidos nos softwares R e Matlab podem ser encontrados na
pagina http://patricianm.yolasite.com/.
Finalmente, o Capıtulo 5 apresenta as consideracoes finais do trabalho, com o
resumo dos principais resultados obtidos.
Capıtulo 2
Conceitos
2.1 Mensuracao do Risco
O controle da efetividade do gerenciamento de risco e de grande importancia para
instituicoes financeiras. Como a natureza dos riscos muda no decorrer do tempo, os
metodos para mensura-los devem se adequar as experiencias atuais.
Medidas quantitativas sao ferramentas importantes para tomada de decisoes de
investimentos, alocacao de capital e exigencias regulatorias.
Em 1996, o Comite de Supervisao Bancaria, com o Acordo de Basileia, passou
a exigir que instituicoes financeiras tenham requisitos de capitais suficientes para
cobrir os riscos que incorrem como resultado de suas negociacoes. Sendo assim, se
os riscos nao forem efetivamente mensurados, a alocacao de capital para a cobertura
dos mesmos pode ser subestimada ou superestimada.
O resultado de uma alocacao nao eficiente de recursos poderia ocasionar perdas,
nao so com a ocorrencia de um evento de risco, mas como a perda de oportunidade
de investimento.
2.1.1 Retornos
A avaliacao do risco de uma carteira de ativos e comumente realizada sobre a
variacao de precos. Seja Pt o preco de um ativo no instante t. Essa variacao pode ser
vista de alguns modos:
retorno lıquido simples ou taxa de retorno: e a variacao do preco relativamente
3
4 CAPITULO 2. CONCEITOS
ao preco imediatamente anterior, geralmente expressa em percentagem
Rt =Pt − Pt−1
Pt−1
retorno bruto simples : e a razao entre os precos atual e anterior
1 +Rt =Pt
Pt−1
retorno composto continuamente ou log-retorno: e a forma mais comum e muitas
vezes denominada somente de retorno. Reflete a diferenca do log do preco atual
com o log do preco imediatamente anterior
rt = log
(Pt
Pt−1
).
Por definicao, os retornos nao dependem da escala do ativo financeiro. Assim, e
possıvel comparar retornos de ativos que tem patamares distintos, mas que sofrem
oscilacoes de mercado semelhantes. Outra vantagem importante e que os retornos
apresentam propriedades estatısticas importantes como a estacionariedade e ergodi-
cidade, por exemplo.
2.1.2 Volatilidade
Volatilidade e o termo dado a variancia condicional dos retornos. E comumente
utilizada no mercado financeiro como uma medida que reflete o grau de aquecimento
do mercado para uma janela de tempo. Series de retornos podem apresentar agru-
pamentos de volatilidades ao longo do tempo, o que e explicado pelo comportamento
do mercado persistente durante certos perıodos. Como descrito em Morettin(2008)
[13], os tres enfoques para calculo de volatilidades sao:
volatilidade implıcita: volatilidade obtida em geral atraves da formula de Black-
Scholes na precificacao de opcoes europeias;
2.1. MENSURACAO DO RISCO 5
volatilidade estatıstica: volatilidade expressa por modelos estatısticos, como os
modelos da famılia ARCH;
volatilidade historica: volatilidade obtida por uma media de uma funcao dos
ultimos k retornos:
vt =
[k−1∑j=0
|rt−j|p]1/p
.
2.1.3 Valor em Risco (VaR)
O VaR (Value at Risk) e uma medida de risco de mercado amplamente utilizada
para controlar e monitorar o risco de mercado. Ela foi desenvolvida no comeco da
decada de 90 pela industria financeira com o objetivo de fornecer um valor que con-
tivesse informacao sobre o risco de uma carteira de ativos. Em Jorion (1999) [9], essa
medida e amplamente discutida.
Essa medida expressa o grau de incerteza quanto aos possıveis valores de perda.
Ela representa a variacao potencial maxima, dado um horizonte de tempo, e uma
probabilidade, de que essa variacao possa ocorrer.
Embora nao seja uma medida perfeita para acompanhar o risco de mercado com
variacoes extremas, essa medida e calculada como procedimento padrao pela maioria
das entidades financeiras.
A simplicidade conceitual fez com que o VaR se tornasse uma medida popular de
risco, mesmo com suas fraquezas. Existem varias abordagens para calculo do VaR. Na
proxima secao, sera descrita detalhadamente a escolhida para estudo neste trabalho.
Definicao 2.1.1 (Medida do Valor em Risco (VaR)) Sejam rt+h o retorno do
ativo em horizonte h, τ a probabilidade de ocorrer um evento extremo, onde 0 < τ < 1
e Ft representa a informacao disponıvel ate tempo t. O valor em risco de um ativo
detido em posicao comprada, e o valor VaR tal que:
V aR = infxx ∈ R : Prob(rt+h ≤ x|Ft) ≤ τ
ou seja, o retorno do ativo seja inferior ao VaR em um determinado horizonte de
6 CAPITULO 2. CONCEITOS
tempo h com probabilidade maxima igual a τ . Para uma posicao vendida, a perda
ocorre se o preco do ativo aumenta. Logo, devera ser utilizada a cauda direita da
distribuicao:
V aR = supxx ∈ R : Prob(rt+h ≥ x|Ft) ≤ τ.
A ideia e instituir uma medida de risco de perda, na qual define-se um valor
limite de perda com uma probabilidade τ baixa de que haja perda que exceda esse
limite. Em geral, utiliza-se uma probabilidade entre 1% e 5%. No grafico 2.1, temos
a representacao do VaR de uma posicao comprada de retornos distribuıdos como
Normal(0,1) para uma probabilidade τ = 5%: VaR = -1,65.
−4 −2 0 2 4
0.0
0.1
0.2
0.3
0.4
r_t
f(r_t
| F_
t)
VaR(τ)
Figura 2.1: VaR de posicao comprada para retornos distribuıdos com f.d.p Normal(0,1).
O VaR representa um quantil particular dos valores futuros de uma carteira, dadas
as informacoes disponıveis. A grande questao esta em encontrar um modelo adequado
para quantis que variam condicionalmente no decorrer do tempo.
Existem diversas metodologias para calculo do VaR. Os passos basicos concentram-
se em:
1. escolher a formula de calculo para VaR, como funcao de variaveis conhecidas e
observadas ate o tempo t-1 e com parametros a serem estimados;
2. escolher um procedimento para estimar o conjunto de parametros, em geral
atraves de um algoritmo de otimizacao e uma funcao de perda;
2.1. MENSURACAO DO RISCO 7
3. escolher um teste para avaliar a qualidade das estimativas.
2.1.4 Conditional Autoregressive Value at Risk (CaViaR)
Em geral, a volatilidade dos retornos de um ativo em um certo perıodo esta
correlacionada com a volatilidade em perıodo passado. Sendo assim, o VaR deve
apresentar comportamento similar, ja que e uma medida ligada ao desvio padrao da
distribuicao. Uma maneira de capturar essa autocorrelacao e utilizar um modelo no
qual a medida de VaR pode ser dependente de VaR passados.
O modelo CaViaR baseia-se na utilizacao de uma estrutura autorregressiva dos
quantis, que representam o VaR. Ao inves de utilizar a distribuicao de retornos, esse
modelo utiliza diretamente os quantis.
Suponha que a serie de retornos de um ativo em um perıodo seja rtnt=1. xt e
uma matriz de p variaveis observaveis que possam ter influencia sobre os retornos.
Para um nivel τ de probabilidade de exceder o VaR, o τ -quantil da distribuicao de
retornos no tempo t−1 e Qt−1(βτ ) = Q(xt−1,βτ ), no qual βτ e o vetor de parametros
do modelo. Por simplicidade notacional, sera utilizado que βτ = β.
Como proposto por Engle e Manganelli (2002) [2], a especificacao geral do modelo
de quantis autorregressivos e:
Qt(β) = α+
q∑i=1
γiQt−i(β) +
p∑i=1
ϕiL(xt−i) (2.1)
em que β = (α, γ1, . . . , γq, ϕ1, . . . , ϕp) e o vetor de parametros a serem estimados e
L(·) e uma funcao que gera defasagens.
Os termos dos quantis autorregressivos γiQt−i(β), para i = 1, . . . , q, servem para
adaptar a dependencia serial na media e volatilidade, alem de assegurar que a mu-
danca no quantil seja suave ao longo do tempo. Os termos de valores observados
defasados αiL(xt−i), i = 1, . . . , p tem o objetivo de ligar o quantil condicional as
inovacoes no retorno do ativo. Em geral, utiliza-se a propria serie de retornos do
ativo.
Uma das vantagens e que nao e necessario considerar alguma suposicao sobre a
distribuicao de retornos. Alem disso, ha a flexibilidade em adaptar diversas especi-
8 CAPITULO 2. CONCEITOS
ficacoes de modelo de acordo com o proprio comportamento da serie de retornos.
Engle e Manganelli (2002)[2] definem algumas especificacoes de referencia para o
modelo CaViaR.
Entre os diversos tipos de modelos que podem ser ajustados, temos:
1. valor absoluto simetrico:
Qt(β) = α+ γQt−1(β) + ϕ|rt−1|
2. inclinacao assimetrica:
Qt(β) = α+ γQt−1(β) + ϕ1(rt−1)+ + ϕ2(rt−1)
−
em que (x)+ = max(x, 0) e (x)− = −min(x, 0)
3. GARCH(1,1) indireto:
Qt(β) =(α+ γQ2
t−1(β) + ϕr2t−1
) 12
4. adaptativo
Qt(β1) = Qt−1(β1) + β1
1
[1 + eG(rt−1−Qt−1(β1))−τ ]
em que G e uma constante.
Eles podem ser escolhidos de acordo com o tratamento desejado a ser dado com
relacao aos retornos. A utilizacao do inclinacao assimetrica permite que retornos
positivos e negativos sejam tratados com pesos diferentes. Por outro lado, o impacto
em modulo presente no valor absoluto simetrico e o quadrado do retorno passado na
especificacao GARCH indireto fazem com que o modelo responda simetricamente.
No modelo adaptativo, o quantil no perıodo t e imediatamente maior se o retorno
2.1. MENSURACAO DO RISCO 9
passado excede o VaR; se nao excede, o quantil decresce lentamente. Para G grande,
ha pouca captura da influencia dos retornos proximos ao VaR e dos extremamente
positivos.
2.1.5 Estimacao
A estimacao dos parametros do modelo e realizada via metodo de regressao quantılica.
Em Koenker (2005) [11] e Koenker e Bassett (1978) [10] constam os conceitos para
modelagem dos quantis como um problema de minimizacao.
A regressao quantılica se traduz no problema de minimizacao da soma dos resıduos
ponderados assimetricamente em valor absoluto.
Para entender a ideia, veja que para uma amostra aleatoria y1, y2, . . . , yT, amediana e um valor ξ que minimiza a soma de valores absolutos dos desvios:
mediana = argminξ∈R
T∑i=1
|yi − ξ|.
Atribui-se pesos para as observacoes a partir de uma funcao ρτ (w) tal que
ρτ (w) =
wτ se w ≥ 0
w(τ − 1) se w < 0,
para 0 < τ < 1.
O τ -esimo quantil amostral ξ(τ), e obtido atraves da minimizacao dos resıduos
ponderados por ρτ (·):
ξ(τ) = argminξ∈R
T∑i=1
ρτ (yi − ξ).
A funcao atribui um peso τ para resıduos positivos yi−ξ e peso τ−1 para resıduos
negativos.
Seja uma amostra de observacoes y1, y2, . . . , yT gerados pelo modelo
yt = xt′β + ϵτt, Qτ (ϵτt|xt) = 0
10 CAPITULO 2. CONCEITOS
em que xt e a matriz de p regressores e Qτ (ϵτt|xt) e o τ -quantil de ϵτt condicional a
xt.
Utilizando a funcao de perda, a funcao de quantil condicional estende o τ -esimo
quantil amostral ξ(τ) para a regressao da mesma maneira que a funcao de media
amostral estende para a media condicional .
A regressao de MQO estima a media condicional da serie E(Y |X = x) = x′β
resolvendo o problema de minimizacao:
β = argminβ∈Rp
T∑i=1
(yi − xiβ)2.
O parametro estimado β minimiza a soma de quadrados dos resıduos da regressao
da mesma maneira que a media amostral µ minimiza a soma de quadrados:
µ = argminµ∈R
T∑i=1
(yi − µ)2.
A regressao quantılica estima a funcao condicional linear f(τ |X = x) = xt′βτ
resolvendo o problema de minimizacao:
βτ = argminβ∈RpE[ρτ (yi − xiβ)]
ou seja,
βτ = argminβ∈Rp
1
T
T∑i=1
ρτ (yi − xiβ)
para um quantil qualquer τ ∈ (0, 1). βτ e chamado de τ -esimo quantil da regressao.
Outra maneira de expressar o problema e:
βτ = argminβ∈Rp
[ ∑i∈i:yi≥xiβ
τ |yi − xi′β|+
∑i∈i:yi<xiβ
(1− τ)|yi − xi′β|
].
2.1. MENSURACAO DO RISCO 11
O τ -esimo quantil da regressao e uma extensao do τ -esimo quantil amostral, ξ(τ).
A regressao quantilica inclui o caso do modelo de regressao por menor desvio
absoluto, LAD (Least Absolute Deviation). Isso ocorre quando τ = 0, 5. A regressao
por LAD e conveniente por apresentar estimadores mais robustos que a por MQO. O
problema de minimizacao e obtido atraves de algoritmos de programacao linear.
Para relacionar a regressao quantılica com o modelo CaViar, temos que considerar
o seguinte modelo:
yt = Q(yt−1,xt−1, ..., y1,x1;β0) + ϵtτ = Qt(β
0) + ϵtτ com Qτ (ϵτt|Ωt) = 0 (2.2)
em que Q1(β0) e condicao inicial dada, Ωt = yt−1,xt−1, ..., y1,x1, Q1(β
0), xt e a
matriz de variaveis exogenas, yt−1, ..., y1 sao os fatores autorregressivos de yt, incluıdos
agora no modelo, β0 ∈ Rp e o vetor de parametros desconhecidos a serem estimados.
O objetivo e encontrar β tal que
minβ∈Rp
1
T
T∑i=1
[τ − I (yt < Qt(β))] [yt −Qt(β)] . (2.3)
Existem dois teoremas, enunciados no Apendice B, que tem como resultado que
o estimador β e consistente e assintoticamente normal.
2.1.6 Testes de Adequacao do Modelo
Espera-se que a serie de valores que ultrapassaram a estimativa do VaR, dado
um modelo, tenha algumas caracterısticas. Uma delas e que ela seja uma sequencia
serialmente independente. Um resumo dos testes que serao descritos a seguir consta
em Kuester, Mittnik e Paolella (2005) [12].
Para avaliar a adequacao do modelo, uma das abordagens e avaliar a acuracia da
previsao fora do intervalo (out-of-sample).
A ideia basica e que a proporcao de acertos do modelo deve ser equivalente ao
percentual de corte τ . Seja It = I[yt < Qt(β
0)], para i = 1, 2, ...,, a serie de violacoes
12 CAPITULO 2. CONCEITOS
ao VaR para uma posicao comprada. Christoffersen(1998) [1] diz que as previsoes sao
eficientes com respeito a Ft−1 se
E[It|Ft−1] = τ (2.4)
que, ao aplicar esperancas iterativamente, implica que It e nao correlacionada com
qualquer funcao de variaveis no conjunto de informacao disponıvel em t-1. Iremos
destacar alguns testes para verificar a adequacao do modelo.
TA1. Teste de Cobertura Incondicional
O teste de cobertura incondicional verifica se o modelo proporciona uma media
(incondicional) de violacoes do VaR correspondente a probabilidade pre-especificada
de ocorrer um evento extremo. Tomando as esperancas condicionais iterativamente
em (2.4), Christoffersen(1998) [1] propoe o seguinte teste de hipoteses:
H0 : E[It] ≤ τ
H1 : E[It] > τ
utilizando a seguinte de razao de verossimilhancas:
RVCI = 2 [L(τ ; I1, I2, ..., IT )− L(τ ; I1, I2, ..., IT )]a∼ X 2
1
na qual L(·) e o log da verossimilhanca binomial, λ e a proporcao do numero de
violacoes com relacao ao total de observacoes T: λ =n1
T, para a qual n1 =
T∑i=1
I[Ii =
1].
TA2. Teste de Independencia
Uma das caracterısticas esperadas para as previsoes obtidas para VaR, e que nao
haja dependencia entre os valores que excederam a medida do VaR. Para detectar
se ha dependencia entre as previsoes de VaR, sera utilizado o teste proposto por
Christoffersen(1998) [1].
2.1. MENSURACAO DO RISCO 13
A hipotese nula e que nao ha dependencia entre uma violacao do VaR hoje e no dia
seguinte. Para a alternativa, e definida uma cadeia de probabilidade de transicoes
sobre os estados de It
Π =
[1− π01 π01
1− π11 π11
], πij = P (It = j|It−1 = i)
em que πij e a probabilidade de se passar do estado i no tempo t-1 para o estado j
em t.
A ideia e comparar a log-verossimilhanca quando se supoe dependencia ou quando
se supoe independencia da serie de violacoes utilizando a seguinte estatıstica:
RVind = 2[L(Π; I2, ...IT |I1)− L(π0; I2, ...IT |I1)
],
nij =T∑i=2
I(It = i|It−1 = j) para i=0,1 e j=0,1 e:
1. a log-verossimilhanca supondo a hipotese alternativa e
L(Π; I2, ...IT |I1) = (1− π01)n00πn01
01 (1− π11)n10πn11
01
em que π01 =n01
n00 + n01
e π11 =n11
n10 + n11
2. a log-verossimilhanca supondo a hipotese nula de independencia e
L(π0; I2, ...IT |I1) = (1− π0)n00+n10πn01+n11
0
em que π0 =n01 + n11
T.
TA3. Teste de Cobertura Condicional
Uma versao combinada dos testes (TA1) e (TA2) e proposta por Christoffersen(1998)[1]
afim de avaliar se a serie de violacoes do VaR tem a propriedade de cobertura condi-
cional correta, isto e, sob a hipotese nula:
14 CAPITULO 2. CONCEITOS
It|Ft−1iid∼ Ber(τ), (2.5)
a estatıstica de teste proposta e:
RVcc = 2[L(Π; I2, ...IT |I1)− L(τ ; I2, ...IT |I1)
]a∼ X 2
2
que pode ser expressa da seguinte forma:
RVcc = RVCI +RVind.
TA4. Teste do Quantil Dinamico
Uma sequencia de previsoes e eficiente com relacao a Ft−1 se a equacao (2.4) vale.
Mas, isso implicaria que It nao e correlacionado com qualquer funcao de variaveis no
conjunto de informacoes ate t− 1.
Essa restricao e mais forte que a cobertura condicional correta (2.5). Em partic-
ular, em Engle e Manganelli (2002) [2], ressalta-se que ao analisar It e importante
condicionar as violacoes passadas ao VaR no perıodo correspondente.
A operacionalizacao do teste e realizada atraves da seguinte regressao:
It = τ0 +
p∑i=1
βiIt−i + βp+1Qt(β0) +
T∑j=1
βp+j+1f(ωt−1,j) + ut
em que It−i representa o fator autorregressivo da serie de violacoes para i=1,2,...p;
Qt(β0) e o VaR estimado para o perıodo t e f(ωt−1,j) e funcao dos valores ωt−1,j ∈ Ft−1
que podem influenciar It e
ut =
−τ com probabilidade 1− τ
1− τ com probabilidade τ.A hipotese nula e que os regressores nao tem poder explicativo, ja que deveria
valer (2.4). Utilizando a forma matricial, a equacao de regressao pode ser escrita da
seguinte maneira:
2.1. MENSURACAO DO RISCO 15
H − τι = Xβ + u
em que ι e um vetor de 1´s. .
O teste a ser realizado e:
H0 : β = 0
H1 : β = 0
com a estatıstica de teste DQ:
DQ =β
′MQOX
′XβMQO
τ(1− τ)
a∼ X 2p+n+2,
na qual o estimador de βMQO por mınimos quadrados e:
βMQO = (X ′X)−1X ′(I − τι)a∼ N (0, (X ′X)−1τ(1− τ)).
2.1.7 Medidas auxiliares
A escolha de um modelo satisfatorio implica em selecionar aquele que, quando ha
violacao ao VaR, nao excede em um valor muito grande. Alem disso, quando nao ha
violacao, as estimativas nao poderiam estar longe das observadas. O valor de violacao
representa o quanto o valor observado excedeu a estimativa do VaR. No caso de uma
posicao comprada, a violacao seria para retornos mais negativos que o VaR, para uma
posicao vendida, seria o oposto. Analogamente, o valor de nao-violacao sera o quanto
a estimativa do VaR excedeu o observado. Sejam Vt a serie de VaR estimada pelo
modelo e rt a serie de log-retornos observada para uma posicao comprada. A serie
obtida pelos valores de violacao ao VaR corresponde a:
Gt =
|rt − Vt| , Vt > rt
0 , c.c.
16 CAPITULO 2. CONCEITOS
e a serie dos valores de nao-violacao:
Ht =
|Vt − rt| , Vt ≤ rt
0 , c.c.
Utilizaremos o calculo do valor acumulado de violacoes
AcV =T∑t=1
Gt,
e o calculo do valor acumulado de nao-violacoes
AcNV =T∑t=1
Ht,
em que os modelos mais adequados serao aqueles que apresentem o menor valor
acumulado de violacoes e nao-violacoes.
2.2 Causalidade
O conceito de causalidade tem sido discutido ha tempos. Esse tema se mostra
relevante no entendimento de relacoes entre fatores sob estudo e esta presente em
extensa bibliografia.
Granger (1980) [4] discorre sobre a dificuldade em se chegar a um consenso entre
as diferentes definicoes de causalidade. Por exemplo: existe o conceito de causalidade
em situacoes determinısticas na qual se um evento A ocorre, entao B deve ocorrer.
Alternativamente, terıamos situacoes em que se A ocorre, entao a probabilidade de
ocorrer B aumenta (ou muda).
Neste estudo, sera adotado o conceito de causalidade estabelecido por Granger
(1969) [3]. Visto que sera necessario estudar o relacionamento entre duas ou mais
variaveis considerando-se o fator temporal, a causalidade de Granger esta relacionada
a previsibilidade.
2.2. CAUSALIDADE 17
2.2.1 Causalidade de Granger
A definicao geral, estabelecida em Granger (1980) [4], diz que para Ωt represen-
tando toda informacao disponıvel ate o perıodo t, Yt causa Xt+1 se
Pr(Xt+1 ∈ A|Ωt) = Pr(Xt+1 ∈ A|Ωt − Yt)
para algum A. Isto e, ha causalidade de Yt sobre Xt+1 se a probabilidade e alter-
ada quando se considera todo conjunto de informacao disponıvel ou todo o conjunto
retirando-se a informacao de Yt.
O conceito de causalidade Granger, atrelado a interpretacao de previsibilidade,
esta relacionado as definicoes a seguir:
Seja At um processo estocastico estacionario.
O conjunto de informacao de valores passados de At sera representado por
At = At−j, j = 1, 2, ...,∞.
O conjunto de informacao de valores passados e presente de At sera representado
por At = At−j, j = 0, 1, ...,∞.
O conjunto de informacao de valores passados a partir de uma defasagem k sera
representado por A(k) = At−j, j = k, k + 1, ...,∞.
O preditor de EQM mınimo de At usando o conjunto de valores de Bt sera
representado por Pt(A|B).
O erro de previsao sera representado por εt(A|B) = At − Pt(A|B).
A variancia do erro de previsao sera representada por σ2(A|B) .
Definicao 2.2.1 (Causalidade de Granger) Seja At o conjunto de toda informacao
relevante ate t (exclusive). Se σ2(Xt|At) < σ2(X t|At − Y t) entao Y causa X no sen-
tido de Granger, ou Y Granger-causa X. Isto e, Yt causa Xt no sentido de Granger
se Xt e melhor prevista usando toda informacao disponıvel, do que usando somente
a informacao sem considerar Yt. Utiliza-se a notacao: Yt ⇒ Xt
18 CAPITULO 2. CONCEITOS
Definicao 2.2.2 (Feedback) Dizemos que ha feedback entre Xt e Yt, se Yt ⇒ Xt e
Xt ⇒ Yt. A notacao para feedback e: Yt ⇔ Xt
Definicao 2.2.3 (Causalidade Instantanea) Se σ2(X|At, Y t) < σ2(X|At, Y ), entao
ha causalidade instantanea. Ou seja, a previsao de Xt e melhor quando o valor pre-
sente de Yt estiver incluıdo que a previsao quando nao esta incluso.
Existem varias tecnicas para implementar o teste de causalidade de Granger.
Iremos utilizar uma abordagem baseada na metodologia proposta por Hsiao (1979)
[6].
Temos o modelo bivariado autorregressivo:
Yt = ΨM1111 (L)Yt +ΨM12
12 (L)Xt + ut (2.6)
Xt = ΨM2121 (L)Yt +ΨM22
22 (L)Xt + vt
no qual ut e RB(0, σu), vt e RB(0, σv), Ψij(L) =
Mij∑t=1
Ψij,tLt e L e o operador de
defasagem, tal que LYt = Yt−1 e Mij e a ordem dos termos autorregressivos.
Para descobrir as ordens dos termos das defasagens para ΨMij
ij , para i=1,2 e j=1,2,
sera utilizado o criterio FPE (Final Prediction Error) de Akaike. Para a primeira
equacao em (2.6), por exemplo, podemos aplicar o metodo de MQO (Mınimos Quadra-
dos Ordinarios) para estimar os parametros para M11 = m e M12 = n:
Yt = α+ Ψm11(L)Yt + Ψn
12(L)Xt + ut.
A escolha de m e n sera tal que o criterio FPE seja minimizado:
FPEY (m,n) =T +m+ n+ 1
T −m− n− 1
∑Tt=1(Yt − Yt)
T. (2.7)
A partir do modelo em (2.6), foi mostrado que dizer que Y nao causa X no sentido
de Granger, ou Y ; X, e equivalente a ΨM2121 (L) = 0. Analogamente, X nao causa Y
no sentido de Granger, ou X ; Y , se somente se ΨM1212 (L) = 0
2.2. CAUSALIDADE 19
Para a primeira equacao em (2.6), os passos do ajustamento do modelo serao os
seguintes:
1. Escolha da ordem maxima M : definir M.
2. Escolha da ordem s: considerar a primeira equacao em (2.6) considerar Yt como
variavel dependente. Encontrar s entre 1 e M11 que minimiza o criterio FPE
(ver equacao 2.7), considerar M11 = M e acrescentar os termos defasados de Yt
ate essa ordem, representados por ΨM1111 (L).
3. Reduzir o modelo: re-estimar o modelo caso haja parametros estimados que nao
sao significativos. Se o criterio FPE for melhor, manter o modelo reduzido.
4. Escolha da ordem n: a partir da equacao estimada no passo 1, adicionar os
termos defasados de Xt, representados por ΨM1212 (L) ate a ordem M12 = M , e
encontrar a ordem n entre 1 e M12 que minimiza o criterio FPE.
5. Escolha da ordem m: Para checar se algum valor defasado de Yt possa ter sofrido
a influencia de alguma defasagem de Xt, com os termos Ψn12(L) fixos, e verificar,
incluindo serialmente os termos defasados de Yt, se ha reducao do FPE.
Para a segunda equacao em (2.6), os passos do ajustamento do modelo serao os
seguintes:
1. Escolha da ordem s: considerar a segunda equacao em (2.6) considerar Xt como
variavel dependente. Encontrar s entre 1 e M22 que minimiza o criterio FPE
(ver equacao 2.7), considerar M22 = M e acrescentar os termos defasados de Xt
ate essa ordem, representados por ΨM2222 (L).
2. Reduzir o modelo: re-estimar o modelo caso haja parametros estimados que nao
sao significativos. Se o criterio FPE for melhor, manter o modelo reduzido.
3. Escolha da ordem n: a partir da equacao estimada no passo 1, adicionar os
termos defasados de Yt, representados por ΨM2121 (L) ate a ordem M21 = M , e
encontrar a ordem n entre 1 e M21 que minimiza o criterio FPE.
20 CAPITULO 2. CONCEITOS
4. Escolha da ordem m: Para checar se algum valor defasado de Xt possa ter
sofrido a influencia de alguma defasagem de Yt, com os termos Ψn21(L) fixos,
e verificar, incluindo serialmente os termos defasados de Xt, se ha reducao do
FPE.
As correlacoes cruzadas entre ut e vt sao dadas por:
ρuv(k) =E(utvt+k)√E(u2
t )E(v2t )
que sao estimadas por:
ruv(k) =
∑Tt=1 utvt+k√∑T
t=1 u2t
∑Tt=1 v
2t
. (2.8)
Pierce e Haugh (1977) [15] estabelecem que a restricao ρuv(0) = 0 indica causali-
dade instantanea. Assim, devemos realizar o teste utilizando (2.8). Foi provado que,
sob a hipotese nula da nao-causalidade, as correlacoes ruv(k) sao assintoticamente
independentes e tem distribuicao N(0, 1/T ).
2.2.2 Causalidade de Granger em Risco
A causalidade de Granger em risco esta focada nos movimentos entre as caudas das
distribuicoes. Em particular, quando se trata de posicoes compradas, a importancia
esta na cauda inferior, que esta relacionada a possıveis valores de perda.
A vantagem de se analisar a causalidade de Granger em risco ao inves de se analisar
a causalidade de Granger em variancia e que a volatilidade e uma medida que trata
ganhos e perdas de maneira simetrica. Uma vez que o risco de uma carteira esta
associada a perda do seu valor, movimentacoes em favor da cauda inferior devem ser
priorizadas.
A causalidade de Granger em risco pode surgir na ausencia da causalidade de
Granger em media ou variancia e tambem devido a movimentos em momentos de
ordem maiores (ex.: curtose e assimetria).
Sera checado se a ocorrencia de um risco alto em um ativo pode prever a ocorrencia
2.2. CAUSALIDADE 21
de outro risco alto em outro ativo. Sejam Y1t e Y2t os riscos obtidos no ativo 1
e 2, respectivamente. As informacoes passadas dessas series serao representadas
por I1(t−1) = Y1(t−1), Y1(t−2), . . . , Y11 para o ativo 1 e, equivalentemente, I2(t−1) =
Y2(t−1), Y2(t−2), ..., Y21 para o ativo 2. It−1 e a matriz de informacoes passadas
disponıveis em t-1, na qual It−1 = (I1(t−1), I2(t−1)) .
O VaR depende das informacoes disponıveis em t-1 e do nıvel de probabilidade em
risco. Logo, sera denotado sob a seguinte forma Vkt := V (Ik(t−1), τ), onde τ ∈ (0, 1).
Entao, as hipoteses sobre a causalidade serao representadas:
H0 : Pr(Y1t < V1t|I1(t−1)) = Pr(Y1t < V1t|It−1)
H1 : Pr(Y1t < V1t|I1(t−1)) = Pr(Y1t < V1t|It−1),
ou seja, se H0 valer, Y2t nao causa Y1t no sentido de Granger em risco a um
nıvel α com relacao a It−1. Se Y2t causa Y1t no sentido de Granger em risco. Caso
contrario, a informacao de ocorrencia de um risco alto em Y2t pode ser utilizado
para prever um risco futuro em Y1t Uma extensao do teste acima e representada
pelas seguintes hipoteses:
H0 : E(Y1t|Y1t < V1t, I1(t−1)) = E(Y1t|Y1t < V1t, It−1) (2.9)
H1 : E(Y1t|Y1t < −V1t, I1(t−1)) = E(Y1t|Y1t < −V1t, It−1)
22 CAPITULO 2. CONCEITOS
Capıtulo 3
Metologia
3.1 Hipotese de Causalidade de Granger em Risco
Nesta secao, sera exposta a metodologia para testar as hipoteses de causalidade
de Granger em risco baseada no estudo de Hong, Liu e Wang (2009) [7].
Nessa metodologia, sera verificado se ha relacao de causalidade a partir de um
evento de risco.
Considere a seguinte transformacao de variaveis sobre Y1t e Y2t:
Zlt = IYlt < Vlt, l = 1, 2
onde I· e a funcao indicadora. Assim, Zlt e 1 quando a perda exceder ao VaR e 0
caso contrario. No caso de uma posicao comprada, a perda excede ao VaR se o valor
e menor que o VaR, para uma posicao vendida, ocorre o oposto. Nesse trabalho, sera
considerada a posicao comprada. O VaR, Vlt, e obtido a partir de algum modelo do
tipo Vlt(βl).Com as novas variaveis, e possıvel reformular a hipotese anterior (2.9) da
seguinte maneira:
H0 : E(Z1t|I1(t−1)) = E(Z1t|It−1) (3.1)
H1 : E(Z1t|I1(t−1)) = E(Z1t|It−1).
23
24 CAPITULO 3. METOLOGIA
Com esta formulacao, a causalidade em risco entre Y1t e Y2t pode ser vista
como causalidade de Granger em media entre Z1t e Z2tEm Granger(1969) [3], metodos utilizando o espectro cruzado e o espectro parcial
cruzado podem ser utilizados para analisar efeitos de causalidade e feedback.
Na investigacao de relacao de causalidade entre duas variaveis, o espectro cruzado
pode ser interpretado paralelamente como a analise do coeficiente de correlacao, en-
quanto o espectro cruzado parcial como o coeficiente de correlacao cruzado.
Antes de definirmos o espectro cruzado, precisamos definir os conceitos de au-
tocorrelacao e espectro. Esses conceitos estao expostos detalhadamente em Granger
and Hatanaka (1964) [5] e Jenkins and Watts (1969) [8].
Definicao 3.1.1 (Autocovariancia) A funcao de autocovariancia de um processo
Zt nos tempos t1 e t2 e definida por:
γ(t1, t2) = E(Zt1Zt2)− E(Zt1)E(Zt2).
Temos que γ(t1, t2) fornece a covariancia entre Zt1 e Zt2 . A partir dela, podemos
estabelecer se a serie esta correlacionada com seus proprios valores passados ao utilizar
t1 = t e t2 = t1 − j.
Um propriedade relevante de processos estacionarios e que a autocovariancia so
depende do intervalo entre t1 e t2 que e j = |t1− t2|. Logo, em geral, representa-se a
autocovariancia como γ(j) para j = −∞, . . . ,∞.
Definicao 3.1.2 (Autocorrelacao) A funcao de autocorrelacao de um processo esta-
cionario e definida por:
ρ(j) =γ(j)
γ(0)
para j = −∞, . . . ,∞.
Veja que se j = 0 entao γ(0) e a variancia, pois temos:
γ(0) = E(Z2t )− E(Zt)
2.
3.1. HIPOTESE DE CAUSALIDADE DE GRANGER EM RISCO 25
Definicao 3.1.3 (Autocovariancia Cruzada) Extendendo-se o conceito de auto-
covariancia para avaliacao de dependencia linear entre dois processos Z1t e Z2t,temos que a autocovariancia cruzada nos tempos t1 e t2 e:
γ12(t1, t2) = E(Z1t1Z2t2)− E(Z1t1)E(Z2t2).
Para processos estacionarios, a notacao sera γ12(j) para j = −∞, . . . ,∞:
γ12(j) = E(Z1tZ2(t−j))− E(Z1t)E(Z2(t−j)).
Definicao 3.1.4 (Autocorrelacao Cruzada) A funcao de autocorrelacao cruzada
entre dois processos estacionarios Z1t e Z2t e definida por:
ρ12(j) =γ12(j)√γ1(0)γ2(0)
.
para j = −∞, . . . ,∞.
Definicao 3.1.5 (Espectro ou Funcao de Densidade Espectral) A funcao de
densidade espectral ou espectro de um processo estacionario discreto, e:
f(λ) =1
2π
∞∑j=−∞
γje−iλȷ,− π ≤ λ ≤ π.
Definicao 3.1.6 (Funcao de Densidade Espectral Cruzada) A densidade espec-
tral cruzada normalizada entre Z1t e Z2t e:
f12(ω) =1
2π
∞∑j=−∞
ρ12(j)e−ijω,
em que ω ∈ [−π, π], i =√−1 e ρ12 e a autocorrelacao cruzada entre as duas series.
Temos que ρ12(j) e f12(ω) sao pares de Fourier, logo as duas contem informacao
da correlacao cruzada entre Z1t e Z2t e uma delas poderia ser utilizada para
26 CAPITULO 3. METOLOGIA
testar a hipotese de causalidade. Neste estudo, sera utilizada f12(ω) na construcao
da estatıstica de teste.
Sob H0, temos que ρ12(j) = 0 para todo j > 0, pois a hipotese e que nao ha
causalidade de Granger entre as series. Logo, a correlacao cruzada e nula para todas
as defasagens passadas de Z2 que influenciariam Z1t. Consequentemente, f12(ω)
se reduz a:
f 012(ω) =
1
2π
0∑−∞
ρ12(j)e−ijω.
Assim, pode-se comparar f12(ω) com f 012(ω) para testar H0. Se houver grande
diferenca entre as duas funcoes, ha evidencia de que H0 deve ser rejeitada.
Tanto f12(ω) quanto f 012(ω) precisam ser estimadas. Um metodo de estimacao nao
parametrico e o metodo por utilizacao de nucleos. A utilizacao de funcoes nucleo,
para investigacao dos efeitos, permite que sejam escolhidos pesos que sejam menores
para eventos distantes. Essa possibilidade e consistente com o fato de que o mercado
e mais afetado por informacoes recentes.
Alguns nucleos mais utilizados, cuja definicao estao em Morettin e Toloi (2006)
[14] que estao representados nas Figuras 3.1, 3.2, 3.3, 3.4, e 3.8 com a variacao do
parametro, sao os seguintes:
Nucleo truncado
kH(z) =
1 , |z| ≤ H
0 , |z| > H.
Nucleo de Bartlett
kH(z) =
1− |z|H
, |z| ≤ H
0 , |z| > H.
Nucleo de Daniell / Nucleo retangular
kH(z) =sin
(πzH
)πzH
, para todo z.
3.1. HIPOTESE DE CAUSALIDADE DE GRANGER EM RISCO 27
−2 −1 0 1 2
0.00.2
0.40.6
0.81.0
x
functi
on(x)
k_tru
nc(x,
1) (x
)
Figura 3.1: Nucleo Truncado (H=1).
−2 −1 0 1 2
0.00.2
0.40.6
0.81.0
x
functi
on(x)
k_ba
rt(x,
1) (x)
Figura 3.2: Nucleo de Bartlett (H=1).
−10 −5 0 5 10
−0.2
0.00.2
0.40.6
0.8
x
functi
on(x)
k_da
n(x, 1
) (x)
Figura 3.3: Nucleo de Daniell (H=1).
28 CAPITULO 3. METOLOGIA
Nucleo de Parzen
kH(z) =
1− 6
( z
H
)2
+ 6
(|z|H
)3
, |z| ≤ H/2
2
(1− |z|
H
)3
, H/2 ≤ |z| ≤ H
0 , |z| > H.
−3 −2 −1 0 1 2 3
0.00.2
0.40.6
0.81.0
x
functio
n(x) k_
par(x,
1) (x)
Figura 3.4: Nucleo de Parzen (H=1).
Se o VaR for calculado a partir de um modelo parametrico entao Vlt e funcao de
β, que corresponde ao vetor de parametros do modelo. Ou seja:
Zlt(β) = IYlt < Vlt(β), l = 1, 2.
Entao, temos que Zlt = IYlt < Vlt(β), l = 1, 2. Para efeito de simplicidade, iremos
considerar Zlt = Zlt(β).
A funcao de correlacao cruzada amostral entre Z1t e Z2t na j-esima defasagem
e:
ρ12(j) =C12(j)
S1S2
em que C12(j) e a funcao de covariancia cruzada amostral entre Z1t e Z2t e
S1, S2 sao os desvios amostrais de Z1t e Z2t. Sao especificadas como segue:
3.1. HIPOTESE DE CAUSALIDADE DE GRANGER EM RISCO 29
−2 −1 0 1 2
0.00.2
0.40.6
0.81.0
x
Trunca
do
H=1
H=2
H=3
H=4
H=5
Figura 3.5: Nucleo Truncado (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2).
−2 −1 0 1 2
0.00.2
0.40.6
0.81.0
x
Bartle
tt
H=1
H=2
H=3
H=4
H=5
Figura 3.6: Nucleo de Bartlett (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2).
−2 −1 0 1 2
−0.2
0.00.2
0.40.6
0.81.0
x
Danie
ll
H=1
H=2
H=3
H=4
H=5
Figura 3.7: Nucleo de Daniell (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2).
−2 −1 0 1 2
0.00.2
0.40.6
0.81.0
x
Parze
n
H=1
H=2
H=3
H=4
H=5
Figura 3.8: Nucleo de Parzen (H=1; H=1,25 ; H=1,5 ; H=1,75 ; H=2).
30 CAPITULO 3. METOLOGIA
C12(j) =
T∑i=1+j
(Z1t − α1)(Z2(t−j) − α2)
Tse 0 ≤ j ≤ T − 1
T∑i=1−j
(Z1(t+j) − α1)(Z2t − α2)
Tse 1− T ≤ j < 0
para αl =
T∑i=1
Zlt
Tsao as medias amostrais e S2
l = αl(1 − αl) sao as variancias
amostrais, para l = 1, 2
Os estimadores para as densidades espetrais por kernel cruzadas f12(ω) e f 012(ω)
sao os seguintes:
f12(ω) =1
2π
T−1∑j=1−T
k
(j
M
)ρ12(j)e
−ijω, (3.2)
f012(ω) =
1
2π
0∑j=1−T
k
(j
M
)ρ12(j)e
−ijω.
A comparacao entre f(ω) e f0(ω) e feita utilizando a forma quadratica:
L2(f12(ω), f012(ω)) = 2π
π∫−π
∣∣∣f12(ω)− f 012(ω)
∣∣∣2 dω =T−1∑j=1
k2
(j
M
)ρ212(j),
em que a ultima passagem e obtida a partir da identidade de Parseval. Assim, nao e
necessario calcular a integral sobre o domınio da frequencia de ω.
A estatıstica para testar a hipotese (3.1) e uma versao padronizada da forma
quadratica:
3.2. CAUSALIDADE DE GRANGER EM RISCO COM FEEDBACK 31
Q1(M) =
[T
T−1∑j=1
k2(
jM
)ρ212(j)− C1T (M)
]√
D1T (M),
cujas constantes de centralizacao e padronizacao sao:
C1T =T−1∑j=1
(1− j
T
)k2
(j
M
)
D1T = 2T−1∑j=1
(1− j
T
)(1− j + 1
T
)k4
(j
M
).
Teorema 3.1.1 (Teo) Suponha que sejam validas as suposicoes de 1 a 6, listadas
no Apendice A, e M = cT υ, onde 0 < c < ∞, 0 < υ < 1/2, υ < min
(2
b− 2,
3
b− 1
),
se b = max(b1, b2) > 2, b1 e a dimensao de β1 e b2 e a dimensao de β2. Entao
Q1(M)d−→ N(0, 1).
3.2 Causalidade de Granger em Risco com Feedback
Hong, Liu e Wang(2009) [7] definem uma modalidade para verificacao de causal-
idade de Granger em risco com feedback, isto e, a hipotese a ser considerada e a que
nem Y1t nem Y2t causa no sentindo de Granger uma com relacao a outra.
H0 : P (Ylt < Vlt|Il(t−1)) = P (Ylt < Vlt|It−1) para l = 1,2 (3.3)
H1 : P (Ylt < Vlt|Il(t−1)) = P (Ylt < Vlt|It−1) para pelo menos um l.
Sendo assim, se o risco para pelo menos uma das series for alterado quando con-
32 CAPITULO 3. METOLOGIA
sideramos a informacao das duas conjuntamente comparado quando so e utilizada a
informacao de uma das series, entao rejeitamos a hipotese que nao ha causalidade de
Granger em risco bilateral.
Alternativamente, podemos utilizar as variaveis indicadoras formuladas no teste
de hipoteses:
H0 : E(Zlt|Il(t−1)) = E(Zlt|It−1) para l = 1,2
H1 : E(Zlt|Il(t−1)) = E(Zlt|It−1) para pelo menos um l.
Sob H0, a informacao passada de uma das series nao e util para prever o risco na
outra. Assim, a densidade do espectro cruzado tera a seguinte forma:
f012(ω) =
1
2πρ12(0), ω ∈ [−π, π].
O estimador consistente correspondente e:
f012(ω) =
1
2πρ12(0), ω ∈ [−π, π]. (3.4)
A estatıstica para testar a hipotese (3.3) e uma versao da forma quadratica
padronizada entre (3.2) e (3.4):
Q2(M) =
[T
T−1∑|j|=1
k2(
jM
)ρ212(j)− C2T (M)
]√
D2T (M),
cujas constantes de centralizacao e padronizacao sao:
C2T =T−1∑|j|=1
(1− |j|
T
)k2
(j
M
),
3.2. CAUSALIDADE DE GRANGER EM RISCO COM FEEDBACK 33
D2T = 2[1 + ρ4(0)]T−1∑|j|=1
(1− |j|
T
)(1− |j|+ 1
T
)k4
(j
M
). (3.5)
A constante de padronizacao D2T em (3.5) apresenta o termo ρ(0), estimador de
correlacao cruzada, que mede possıvel correlacao instantanea entre Z1t e Z2t sob H0
em (3.3).
A estatıstica Q2(M) e assintoticamente Normal(0,1) sob H0, segundo teorema
enunciado a seguir.
Teorema 3.2.1 (Teo) Suponha que sejam validas as suposicoes de 1 a 3(a), 4 a 6,
listadas no Apendice A, e M = cT υ, onde 0 < υ < 1/2 , υ < max
(2
b− 2,
3
b− 1
),
se b = max(b1, b2) > 2, b1 e a dimensao de β1 e b2 e a dimensao de β2. Entao
Q2(M)d−→ N(0, 1) sob H0.
34 CAPITULO 3. METOLOGIA
Capıtulo 4
Aplicacao
Nesta secao, sera apresentada a aplicacao da metodologia utilizando dados reais.
Em primeiro lugar, serao descritos os dados utilizados para estudo; em segundo, sera
aplicada o modelo CaViaR de calculo do VaR para realizacao da transformacao das
series e por fim, a causalidade de Granger em risco sera verificada com as devidas
conclusoes.
Para desenvolvimento da analise, foram utilizados os softares Matlab e R. No Mat-
blab, foi utilizada a rotina desenvolvida por Manganelli [2], com algumas adaptacoes.
Para as demais analises, foi utilizado o software R. Os codigos estao disponıveis para
utilizacao em: http://patricianm.yolasite.com/.
4.1 Descricao dos dados utilizados
Iremos analisar a relacao de causalidade em risco entre duas series utilizando
dados reais para aplicacao da metodologia exposta. Para isso, foram escolhidas as
series de precos das acoes de empresas que sao referencia de mercado e que pertencem
a segmentos distintos de mercado.
Como representante do setor financeiro, no segmento de bancos, foi selecionada a
serie de precos da acao do Banco Bradesco (BBCD4). No setor petrolıfero, foi escol-
hida a empresa de exploracao e refino, Petrobras (PETR4). As series correspondem
ao perıodo de 01-jan-2000 a 16-jul-2010, representando 2732 observacoes. Os precos
utilizados correspondem ao preco de fechamento, ajustados para eventos corporativos.
A evolucao dos precos das duas acoes sao ilustradas na Figura (4.1):
35
36 CAPITULO 4. APLICACAO
tempo
Preço (
R$)
0 500 1000 1500 2000 2500
1020
3040
50
Ativo
BBDC4
PETR4
Figura 4.1: Serie de precos das acoes BBDC4 e PETR4.
De maneira geral, e possıvel notar um perıodo de valorizacao dos precos das acoes
ate meados do segundo bimestre de 2008, ano em que o mercado financeiro sofreu
os impactos da crise internacional economica, tambem conhecida como ”crise dos
subprimes”.
Os dados obtidos de precos de fechamento das acoes BBDC4 e PETR4 precisaram
sofrer ajustes devido a alguns eventos corporativos de desdobramento e grupamento
de acoes que ocorreram no perıodo de analise. Esses eventos alteram o patamar de
precos das acoes.
As acoes sao negociadas em lotes. O desdobramento, ou split, causa o aumento de
acoes negociadas no mercado. Ele ocorre geralmente quando o preco da acao costuma
subir muito. Assim, a liquidez tende a diminuir ja que precos altos atraem menos
investidores. Ao realizar um desdobramento de 1 para 2 (1:2), a quantidade de acoes
ira dobrar e o preco caira pela metade. Com essa operacao, o valor da empresa nao
e alterado.
O grupamento ocorre de maneira inversa, isto e, uma determinada quantidade
de acoes e agrupada, com respectivo aumento proporcional do preco. Em geral, isso
ocorre quando os precos das acoes estao sendo cotados a valores baixos.
Outro tratamento foi necessario para ajustar as series devido a mudanca no fator
4.1. DESCRICAO DOS DADOS UTILIZADOS 37
de cotacao.Em algumas acoes, o valor obtido em cotacoes sao, na verdade, o resultado
da multiplicacao do preco real da acao pelo fator de cotacao da mesma.
As datas em que foram necessarios os ajustes para os eventos citados constam nas
Tabelas 4.1 e 4.2.
Data Evento Proporcao22/03/2004 fator de cotacao 1:100013/12/2004 desdobramento 1:207/04/2008 desdobramento 2:309/06/2009 grupamento 1:50
Tabela 4.1: Datas e eventos para tratamento de BBDC4
Data Evento Proporcao22/06/2000 desdobramento 1:1001/09/2005 desdobramento 1:428/04/2008 desdobramento 1:2
Tabela 4.2: Datas e eventos para tratamento de PETR4
Para analise, serao utilizados os log-retornos dos precos das acoes. Como definidos
na secao de Conceitos, utilizaremos tambem a seguinte notacao, quando conveniente:
r1t equivale ao log-retorno da acao BBDC4 e r2t equivale ao log-retorno da acao
PETR4, ambas com base no tempo t para t = 1, 2, ..., 2731. Em Tsay (2005) [16] e
Zivot (2006) [17] sao encontrados alguns exemplos de analises descritivas e tratamen-
tos a serem realizados com series financeiras.
Atraves das estatısticas descritivas amostrais da Tabela 4.3, temos que as series de
log-retornos de BBDC4 e PETR4 apresentam mediana estimada igual a zero. Alem
disso, as medias amostrais das series de log-retornos das acoes BBDC4 e PETR4 sao:
r1t = 0.001 e r2t = 0.001, sendo que o desvio padrao estimado de PETR4 e menor
que o desvio padrao estimado de BBDC4.
As estimativas de excesso de curtose 9,590 para BBDC4 e 3,886 para PETR4 in-
dicam que as duas series tem caudas pesadas. Sob hipotese de normalidade, o excesso
38 CAPITULO 4. APLICACAO
tempo
Preço (
R$)
2000 2002 2004 2006 2008 2010
−0.05
0.000.05
0.10Ativo
BBDC4
PETR4
Figura 4.2: Serie de log-retornos das acoes BBDC4 e PETR4
Tabela 4.3: Estatısticas descritivas amostrais das series de log-retornos das acoes BBDC4e PETR4
Serie BBDC4 PETR4Mınimo -0,187 -0,148
1º Quartil -0,013 -0,012Media 0,001 0,001
Mediana 0,000 0,000Desvio Padrao 0,025 0,0233º Quartil 0,014 0,013Maximo 0,277 0,132
Assimetria 0,542 -0,097Curtose 9,590 3,886
de curtose de dados com distribuicao normal seria igual a 0. Assim, se fizermos um
teste para normalidade, veremos que as curtoses apresentam medidas muito superi-
ores a este valor. Esse fato tambem pode ser notado nos histogramas da Figura 4.3.
A linha contınua representa a densidade teorica para uma distribuicao Normal com
a mesma media e variancia dos dados. Vemos que uma boa parte dos valores que se
afastam da media tem densidade superior a normal.
Pelo QQ-plot na Figura 4.4, vemos grande quantidade de observacoes que estao
4.2. CALCULO DO VAR - CAVIAR 39
BBDC4
dens
idad
e
−0.2 −0.1 0.0 0.1 0.2 0.3
02
46
810
PETR4
dens
idad
e
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
05
1015
Figura 4.3: Histograma dos log-retornos para BBDC4 e PETR4.
−3 −2 −1 0 1 2 3
−0.
2−
0.1
0.0
0.1
0.2
BBDC4
Quantis Teóricos (Normal)
Qua
ntis
dos
dad
os
−3 −2 −1 0 1 2 3
−0.
15−
0.10
−0.
050.
000.
050.
10
PETR4
Quantis Teóricos (Normal)
Qua
ntis
dos
dad
os
Figura 4.4: Q-Q plot normal dos log-retornos para BBDC4 e PETR4.
longe da reta diagonal, o que nos indica que nao ha indıcios de normalidade.
O coeficiente de assimetria estimado para a serie BBDC4 foi de 0,542 o que in-
dica que ha uma possıvel assimetria a direita. Para a serie PETR4 o coeficiente de
assimetria estimado foi de -0,097, logo ha indıcio de assimetria a esquerda.
4.2 Calculo do VaR - CaViaR
A partir das series de log-retornos das duas acoes, foram selecionadas as primeiras
2460 observacoes para realizar a estimacao do modelo e 271 observacoes para tes-
tar a adequacao. Os modelos testados serao: valor absoluto simetrico, inclinacao
40 CAPITULO 4. APLICACAO
assimetrica, GARCH(1,1) indireto e adaptativo, segundo especificacoes expostas na
secao 1.
O valor inicial de Q1(β) necessario nos modelos foi obtido a partir dos quantis
empıricos das primeiras 300 observacoes de cada serie.
A obtencao das estimativas dos parametros e realizada a partir de uma rotina de
otimizacao, como descrita por Engle e Manganelli (2004) [2]. Para cada modelo, essa
rotina que foi desenvolvida em Matlab consiste basicamente nos seguintes passos:
1. Geracao de n vetores com valores entre 0 e 1 com distribuicao uniforme como
valores iniciais para β;
2. Calcular o valor do criterio quantılico para os valores iniciais, segundo a Equacao
2.3;
3. Escolher os m vetores que produziram o menor valor do criterio;
4. Utilizar os valores iniciais obtidos em 3 para executar o algoritmo simplex e o
algoritmo quasi-Newton para obter os parametros otimizados;
5. Repetir a otimizacao ate satisfazer o criterio de convergencia.
As estimativas para os modelos do tipo CaViaR foram obtidas para as series de
BBDC4 e PETR4.
4.3 Ajuste e Adequacao para serie de log-retornos da BBDC4
O primeiro modelo ajustado foi o valor absoluto simetrico:
Q1,t(β) = 0, 0692 + 0, 8899Q1,t−1(β) + 0, 1397|r1,t−1|
na qual temos que β = (0, 0692; 0, 8899; 0, 1397) com p-valores = (0, 03; 0; 0). As
estimativas dos parametros do modelo sao significantes ao nıvel de 5%.
Na Figura 4.5 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
4.3. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA BBDC441
A proporcao de violacoes na amostra foi de 5,04% que indica um bom ajuste pois
esta em torno de 5%. Ja a proporcao de violacoes pos-amostrais foi menor, com um
valor de 3,32%.
A estatıstica de teste de cobertura incondicional para as violacoes pos-amostrais
RCCI = 1, 81 apresenta p-valor maior que 5% de significancia. Logo, nao rejeitamos
a hipotese de que a media incondicional de violacoes corresponde a θ.
O teste de independencia para as violacoes pos-amostrais RCInd = 0, 62 e nao
significante ao nivel de 5%. Assim, nao rejeitamos a hipotese de independencia serial
entre as violacoes.
tempo
2000 2002 2004 2006 2008 2010
−50
510
Série
Log−retorno
VaR Estimado
Figura 4.5: VaR estimado por valor absoluto simetrico e serie de log-retornos de BBDC4
O teste de cobertura condicional, que e uma mistura dos dois testes anteriores,isto
e, checa a media e independencia, e favoravel a adequacao do modelo, ja que nao
rejeitamos a hipotese de que a proporcao de violacoes e igual a proporcao esperada.
A estatıstica de teste obtida foi RCCC = 3, 63, com p-valor maior que 5%.
Para o teste de quantil dinamico obtivemos as estatısticas QDa = 0, 011 e QDpa =
0, 747, com p-valores respectivamente iguais a 0, 99 e 0, 83. Assim, nao rejeitamos
a hipotese de que nao haja autocorrelacao entre as violacao e que a proporcao de
violacoes seja a esperada, tanto para a amostra de ajuste, quanto para a de validacao.
A soma dos valores de violacao obtida foi de 85, 41%, sendo que 89,51% e devido
as violacoes amostrais. Esses valores serao utilizado para comparacao entre os demais
modelos.
42 CAPITULO 4. APLICACAO
O segundo modelo foi o de inclinacao assimetrica:
Q1,t(β) = 0, 0565 + 0, 9048Q1,t−1(β) + 0, 0658(r1,t−1)+ − 0, 1915(r1,t−1)
−
que apresentou todos coeficientes significativos. As estimativas obtidas para os parametros
foram β = (0, 0565; 0, 9048; 0, 0658;−0, 1915) com p-valores, para testar se sao nulos,
iguais a (0; 0; 0, 01; 0), respectivamente.
Na Figura 4.6 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
tempo
2000 2002 2004 2006 2008 2010
−50
510
Série
Log−retorno
VaR Estimado
Figura 4.6: VaR estimado por inclinacao assimetrica e serie de log-retornos de BBDC4
A proporcao de violacoes amostrais e pos-amostrais foi equivalente ao modelo
anterior, 5,04% e 3,32%, respectivamente.
Os testes de adequacao de cobertura incondicional, independencia e cobertura
condicional apresentam os mesmos valores de estatısticas de teste com relacao ao
modelo anterior: RCCI = 1, 81, RCInd = 0, 62 e RCCC = 3, 63, respectivamente. Isso
porque a proporcao de violacoes e a mesma e as violacoes que sao divergentes quanto
ao primeiro modelo nao impactam no teste de independencia. Todas elas apresentam
p-valor maior que 5%.
Os p-valores para as estatısticas QDa = 0, 361 e QDpa = 0, 876 mostram que o
ajuste e adequado, pois sao bem maiores que 5%.
A soma dos valores de violacao foi de 80, 90, na qual 88, 66% foi na fase amostral.
4.3. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA BBDC443
Isso mostra que o ajuste do modelo foi melhor que o anterior, ja que a ordem de
grandeza dos dias em que houve violacao foi menor.
O proximo modelo estimado foi o GARCH(1,1) indireto:
Q1,t(β) =(0, 1129 + 0, 8702Q2
1,t−1(β) + 0, 2157r21,t−1
) 12.
Os tres parametros estimados do modelo podem ser considerados nao nulos β =
(0, 1129; 0, 8702; 0, 2157) com p-valores iguais a (0, 003; 0; 0, 01).
A proporcao de violacoes ao VaR amostrais e pos-amostrais foi de 5% e 4%, re-
spectivamente. Entre os dois modelos anteriores, e o que apresentou maior proporcao
pos-amostral.
tempo
2000 2002 2004 2006 2008 2010
−50
510
Série
Log−retorno
VaR Estimado
Figura 4.7: VaR estimado por GARCH(1,1) indireto e serie de log-retornos de BBDC4
Na Figura 4.7 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
Os testes de adequacao de cobertura incondicional, independencia e cobertura
condicional mostram que o modelo e adequado. As estatısticasRCCI = 0, 54, RCInd =
0, 93 e RCCC = 1, 08. Os respectivos p-valores (0, 463; 0, 334; 0, 584) nao rejeitam as
hipoteses de cobertura incondicional, independencia e cobertura condicional.
Para o teste de quantil dinamico, foram obtidos QDa = 0, 0424 e QDpa = 0, 768,
ambos significantemente diferente de zero. Logo, enfatiza a adequacao do modelo.
44 CAPITULO 4. APLICACAO
A soma dos valores de violacao foi de 81, 78, com 88, 36% devido a parte amostral.
Relativamente aos outros modelos, e melhor apenas que o primeiro.
Para o modelo adaptativo:
Q1,t(β) = Q1,t−1(β) + 0, 3919
1
1 + exp(10[r1,t−1 − Q1,t−1(β)]])
na qual o parametro estimado β = 0, 3919 foi significativo (o p-valor obtido foi aprox-
imadamente igual a zero).
tempo
2000 2002 2004 2006 2008 2010
−50
510
Série
Log−retorno
VaR
Figura 4.8: VaR estimado por modelo adaptativo e serie de log-retornos de BBDC4
Na Figura 4.8 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
A proporcao de violacoes amostrais foi de 4,43% e pos-amostrais foi de 5,53%,
ambas proximas de 5%. Alem disso, a soma dos valores de violacao foi de 78,83 no
total das observacoes, sendo que 86,4% e devida a parte amostral. Com relacao aos
modelos anteriores, e o menor valor obtido.
Nao ha indıcio de dependencia serial entre as violacoes, pois RCInd = 1, 37
tem p-valor 0,241. O teste de cobertura incondicional apresenta estatıstica de teste
RCCI = 0, 16 com p-valor 0,691 que o indica que a proporcao de violacoes nao pode
ser considerada diferente de 5%. A estatıstica de teste para cobertura condicional
RCCC = 0, 32, com p-valor de 0,854, indica que o modelo esta adequado.
4.4. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA PETR445
No teste de quantil dinamico, foram obtidos QDa = 0, 2211 e QDpa = 0, 2167,
ambos significantemente diferente de zero.
A soma dos valores de violacao foi de 78, 83, com 86, 44% devido a parte amostral.
Relativamente aos outros modelos, e melhor que todos os outros 3 modelos, pois tem
o menor valor de violacoes acumuladas.
Analisando os resultados dos quatro modelos vistos, iremos considerar como o
modelo de inclinacao assimetrica como o mais adequado para obtencao do VaR
a partir a serie de log-retornos de BBDC4. A Tabela 4.4 apresenta as estimativas
dos modelos considerados. Na Tabela 4.5, as estimativas dos testes de adequacao dos
modelos.
Assim, o modelo escolhido e:
Q1,t(β) = 0, 0565 + 0, 9048Q1,t−1(β) + 0, 0658(r1,t−1)+ − 0, 1915(r1,t−1)
−
A medida de criterio quantılico foi a menor, entre todos os modelos. Alem disso, a
proporcao de violacoes amostrais ao VaR esteve proxima de 5% na fracao amostral,
embora a proporcao pos-amostral esteja proxima de 3,32%. O valor acumulado das
violacoes foi o segundo menor (o menor obtido foi o modelo adaptativo, mas que ap-
resenta alto valor do criterio quantılico). Alem disso, o valor acumulado dos desvios,
quando nao ha violacao do VaR, foi o segundo menor obtido. Os testes de cober-
tura incondicional, independencia e cobertura condicional mostram que o modelo e
adequado.
4.4 Ajuste e Adequacao para serie de log-retornos da PETR4
Analogamente a analise para a serie BBDC4, os mesmos modelos foram gerados
para a serie de log-retornos de PETR4. Para o primeiro modelo, valor absoluto
simetrico:
Q2,t(β) = 0, 0228 + 0, 9043Q2,t−1(β) + 0, 1745|r2,t−1|
46 CAPITULO 4. APLICACAO
, foram obtidas as seguintes estimativas dos parametros β = (0, 0228; 0, 9043; 0, 1745),
com p-valores de (0, 033; 0; 0, 064). O ultimo parametro nao e significativo a um nıvel
de 5% de significancia pois seu p-valor foi de 0,064. Isso indica que o fator de retorno
passado nao tem influencia para o quantil no tempo atual.
tempo
2000 2002 2004 2006 2008 2010
−6−4
−20
24
6
Série
Log−retorno
VaR Estimado
Figura 4.9: VaR estimado por valor absoluto simetrico e serie de log-retornos de BBDC4
Na Figura 4.9 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
A proporcao de violacoes amostrais foi de 5% e de pos-amostrais de 5,9%. A
proporcao amostral e mais proxima de 5%, que mostra melhor adequacao, que o
desempenho pos-amostral. O valor do criterio quantılico foi de CQ = 271, 86. A soma
dos valores de violacao totalizou 80, 71, sendo que 93% foi devido a parte amostral.
O teste de quantil dinamico indica adequacao do modelo, pois ambas estatısticas
amostral QDa = 0, 011 e e pos-amostral QDpa = 0, 747 apresentam p-valores altos.
Os testes de cobertura incondicional, independencia e cobertura condicional apre-
sentam estatısticas de teste e respectivos p-valores iguais a: RCCI = 0, 44(p− valor :
0, 506), RCInd = 0(p − valor : 0, 955) e RCCC = 0, 88(p − valor : 0, 643). Eles in-
dicam a adequacao de ajuste da serie. Todas as tres estatısticas de teste apresentam
p-valores maior que um nıvel de significancia de 5%.
Para o modelo de inclinacao assimetrica:
Q2,t(β) = 0, 0481 + 0, 8803Q2,t−1(β) + 0, 1161(r2,t−1)−0, 2571(r2,t−1)
−
4.4. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA PETR447
que apresentou todos coeficientes estimados de β = (0, 0481; 0, 8803; 0, 1161;−0, 2571)
significativos, os p-valores obtidos foram respectivamente (0, 001; 0; 0, 005; 0).
tempo
2000 2002 2004 2006 2008 2010
−6−4
−20
24
6
Série
Log−retorno
VaR Estimado
Figura 4.10: VaR estimado por inclinacao assimetrica e serie de log-retornos de BBDC4
Na Figura 4.10 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
A proporcao de violacoes amostrais esta em torno de 5%, mas a pos amostral foi
bem menor, com um valor de 3,3%, o que pode indicar uma superestimacao para as
previsoes. O valor do criterio quantılico CQ = 270, 6 foi o menor ate o momento. O
valor acumulado das violacoes de 84, 58 tem 94, 45% devido a parte amostral.
As estatısticas de teste do quantil dinamico, QDa = 0, 457 e QDpa = 0, 061 com
p-valores altos, indicam que o modelo e adequado.
Os demais testes de cobertura condicional, incondicional e independencia enfati-
zam a adequacao. Os valores obtidos para as estatısticas de teste, com respectivos
p-valores foram: RCCI = 0, 86(p − valor : 0, 354),RCInd = 0, 01(p − valor : 0, 942) e
RCCC = 1, 72(p − valor : 0, 424). Assim, nao ha indıcios de dependencia serial e a
proporcao condicional e incondicional nao estao distantes da desejada de 5%.
O modelo GARCH(1,1) indireto
Q2,t(β) =(0, 0602 + 0, 8860Q2
2,t−1(β) + 0, 2345r22,t−1
) 12
apresentou coeficientes estimados β = (0, 0602; 0, 8860; 0, 2345), nos quais o ultimo
48 CAPITULO 4. APLICACAO
coeficiente nao e significativo. Os p-valores obtidos para as estimativas foram de
(0, 03; 0; 0, 23)
tempo
2000 2002 2004 2006 2008 2010
−6−4
−20
24
6
Série
Log−retornoVaR Estimado
Figura 4.11: VaR estimado por GARCH(1,1) indireto e serie de log-retornos de BBDC4
Na Figura 4.11 constam a serie do VaR estimado pelo modelo e a serie de log-
retornos.
A proporcao de violacoes ao VaR foi de 5% amostrais e 5,9% pos amostrais,
ambas podem ser consideradas proximas da proporcao esperada. O criterio quantılico
CQ = 273, 8 para este modelo foi maior que os dois anteriores. O valor acumulado
de violacoes ao VaR foi de 83, 46, para o qual 93, 60% e devido a parte amostral.
Todas as estatısticas de teste de adequacao para cobertura condicional, incondi-
cional e dependencia mostram que o ajuste foi adequado. As estatısticas obtidas
foram RCCI = 0, 44(p − valor : 0, 506),RCInd = 0(p − valor : 0, 955) e RCCC =
0, 88(p− valor : 0, 643).
O modelo adaptativo
Q2,t(β) = Q2,t−1(β) + 0, 3836
1
1 + exp(10[r2,t−1 − Q2,t−1(β)]])
apresentou parametro estimado significativo β = 0, 3919, com p-valor aproximada-
mente zero.
Na Figura 4.12 constam a serie do VaR estimado pelo modelo e a serie de log-
4.4. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA PETR449
tempo
2000 2002 2004 2006 2008 2010
−6−4
−20
24
6
Série
Log−retorno
VaR
Figura 4.12: VaR estimado por inclinacao assimetrica e serie de log-retornos de BBDC4
retornos.
A proporcao de violacoes amostrais e pos-amostrais foram as menores obtidas,
4,8% e 3,69% respectivamente, comparando-se com os modelos anteriores. A pro-
porcao de violacoes amostrais foi de 4, 76% e pos-amostral foi de 3, 69. Por outro lado
o criterio quantılico CQ = 281, 73 foi o maior entre os quatro.
Os testes de adequacao indicam que o ajuste do modelo foi adequado. As es-
tatısticas de teste foram as seguintes: para o teste de cobertura condicional RCCI =
1, 07(p − valor : 0, 3), RCInd = 0, 77(p − valor : 0, 38) e RCInd = 2, 15(p − valor :
0, 342).
50 CAPITULO 4. APLICACAO
Tabela 4.4: Estimativas dos Parametros Estimados para os Modelos CAViaR para a serieBBDC4.
Estim
ativas
eTestes
Modelo
Valor
Absoluto
Sim
etrico
Inclinacao
Assim
etrica
GARCH(1,1)Indireto
Adap
tativo
β1
0,0692
0,0565
0,1130
0,3919
ErroPad
rao
0,0386
0,0104
0,0421
0,0427
P-valor
0,0367
00,0036
0
β2
0,8899
0,9048
0,8702
-ErroPad
rao
0,0328
0,0120
0,0178
-P-valor
00
0-
β3
0,1397
0,0658
0,2157
-ErroPad
rao
0,0266
0,0285
0,0983
-P-valor
0,0001
0,0103
0,0141
-
β4
--0,1915
--
ErroPad
rao
-0,0225
--
P-valor
-0
--
4.4. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA PETR451
Tabela 4.5: continuacao - Estimativas de Estatısticas de Teste dos Parametros Estimadospara os Modelos CAViaR para a serie BBDC4.
Estim
ativas
eTestes
Modelo
Valor
Absoluto
Sim
etrico
Inclinacao
Assim
etrica
GARCH(1,1)Indireto
Adap
tativo
Hit
am
5,04%
5,04%
5,00%
4,43%
Hit
pam
3,32%
3,32%
4,06%
5,54%
QD
am
0,0107
0,3608
0,0424
0,2211
QD
am:p-valor
0,9997
0,9856
0,9977
0,6382
QD
pam
0,7469
0,8759
0,7685
0,2167
QD
pam:p-valor
0,8621
0,9280
0,8570
0,6416
CQ
279,12
275,90
278,00
282,20
Teste
CI:LR
1,8150
1,8150
0,5384
0,1581
Teste
CI:p-valor
0,1779
0,1779
0,4631
0,6909
Teste
IND:LR
0,6208
0,6208
0,9346
1,3718
Teste
IND:p-valor
0,4307
0,4307
0,3337
0,2415
Teste
CC:LR
3,6301
3,6301
1,0767
0,3162
Teste
CC:p-valor
0,1628
0,1628
0,5837
0,8538
Valor
Acum.Viol.
85,41
80,90
81,77
78,83
Valor
Acum.Nao
Viol.
2.587,20
2.597,66
2.638,05
2.762,77
52 CAPITULO 4. APLICACAO
Tabela 4.6: Estimativas dos Parametros Estimados para os Modelos CAViaR para a seriePETR4.
Estim
ativas
eTestes
Modelo
Valor
Absoluto
Sim
etrico
Inclinacao
Assim
etrica
GARCH(1,1)Indireto
Adap
tativo
β1
0,0228
0,0480
0,0602
0,3836
ErroPad
rao
0,0124
0,0157
0,0324
0,0496
P-valor
0,0331
0,0011
0,0315
0
β2
0,9044
0,8803
0,8860
-ErroPad
rao
0,0231
0,0242
0,0121
-P-valor
00
0-
β3
0,1745
0,1161
0,2345
-ErroPad
rao
0,0400
0,0461
0,3249
-P-valor
0,0641
0,0059
0,2352
-
β4
--0,2571
--
ErroPad
rao
-0,0585
--
P-valor
-0
--
4.4. AJUSTE E ADEQUACAO PARA SERIE DE LOG-RETORNOS DA PETR453
Por fim, o modelo mais adequado entre os quatro vistos e o valor absoluto
simetrico. As Tabelas 4.6 e 4.7 apresentam as estimativas dos modelos e dos testes
de adequacao. O modelo final, portanto, e:
Q2,t(β) = 0, 0228 + 0, 9043Q2,t−1(β) + 0, 1745|r2,t−1|.
Temos que a proporcao de violacoes amostrais e bem proxima de 5%, e o valores
acumulado de violacoes foi o menor deles. O valor acumulados dos desvios dos valores
que nao violaram o VaR foi o segundo menor, o que indica foi um dos que menos
superestimou os valores ajustados. Todos os testes de adequacao indicaram que a
serie de violacoes nao apresenta dependencia condicional e a proporcao condicional e
incondicional de violacoes foram proximas da esperada.
54 CAPITULO 4. APLICACAO
Tabela 4.7: continuacao - Estimativas de Estatısticas de Teste dos Parametros Estimadospara os Modelos CAViaR para a serie PETR4.
Estim
ativas
eTestes
Modelo
Valor
Absoluto
Sim
etrico
Inclinacao
Assim
etrica
GARCH(1,1)Indireto
Adap
tativo
Hit
am
5,00%
5,04%
5,00%
4,80%
Hit
pam
5,99%
6,27%
5,90%
3,69%
QD
am
0,0104
0,4572
0,0132
0,1973
QD
am:p-valor
0,9997
0,9993
0,9775
0,6569
QD
pam
0,0186
0,0615
0,1074
0,1030
QD
pam:p-valor
0,9996
0,9996
0,9909
0,7483
CQ
271,86
270,60
273,83
281,73
Teste
CI:LR
0,4419
0,8586
0,4419
1,0727
Teste
CI:p-valor
0,5062
0,3541
0,5062
0,3003
Teste
IND:LR
0,0032
0,0054
0,0032
0,7694
Teste
IND:p-valor
0,9552
0,9416
0,9552
0,3804
Teste
CC:LR
0,8837
1,7171
0,8837
2,1454
Teste
CC:p-valor
0,6428
0,4238
0,6428
0,3421
Valor
Acum.Viol.
80,71
84,59
83,46
76,55
Valor
Acum.Nao
Viol.
2.495,28
2.389,57
2.470,85
2.747,98
4.5. ANALISE DE CAUSALIDADE DE GRANGER EM RISCO 55
4.5 Analise de Causalidade de Granger em Risco
A hipotese de causalidade de Granger em Risco sera verificada a partir da serie
indicadora de violacoes ao VaR. As series de VaR estimadas pelos modelos de in-
clinacao assimetrica para BBDC4 e valor absoluto simetrico para PETR4 sao obtidas
respectivamente por V1,t = Q1,t(β) e V2,t = Q2,t(β).
A seguir, serao consideradas as seguintes transformacoes de variaveis sobre r1,t,
r2,t,V1,t e V2,t:
Zlt = Irlt < Vlt, l = 1, 2.
Assim, Zlt e 1 quando a perda exceder ao VaR e 0 caso contrario.
Para identificar a causalidade de Granger em risco unidirecional, foram calculadas
as estatısticas de teste para os nucleos truncado, Bartlett, Daniell, Parzen com M =
5, 10, 20, 30 e 40. Esses valores para M foram selecionados para capturar as multiplos
de semanas de dias uteis (1 semana, 2 semanas, 1 mes, 1 mes e meio, 2 meses).
Foram testados tres tipos de causalidade de Granger em risco. Por exemplo, a
notacao BBDC4 ⇒ PETR4 indica o teste que verifica se BBDC4 causa PETR4 em
risco. A notacao BBDC4 ⇔ PETR4, representa a relacao de causalidade de Granger
em risco com feedback. As Tabelas 4.8, 4.9 e 4.10 a seguir apresentam os resultados
obtidos.
Na Tabela 4.8, temos os resultados das estimativas das estatısticas de teste de
BBDC4 ⇒ PETR4. Para todos as variacoes de nucleos e M, nao rejeitamos a hipotese
nula que BBDC4 nao Granger-causa PETR4 em risco. Assim, utilizando diferentes
formas de nucleos, podemos concluir que nao ha causalidade de Granger em risco,
isto e, BBDC4 ; PETR4 .
Na Tabela 4.9, temos os resultados para das estimativas das estatısticas de teste
para PETR4 ⇒ BBDC4.
Utilizando o nucleo de Bartlett com M=5, rejeitamos a hipotese que nao PETR4
Granger-cause BBDC4 em risco. Logo, PETR4 ⇒ BBDC4. O p-valor obtido foi de
4,98%, sendo menor que o nıvel de significancia de 5%. Para o nucleo de Parzen,
o p-valor aproximado foi de 5% (com uma precisao maior, o p-valor foi 4,9976%).
56 CAPITULO 4. APLICACAO
Tabela 4.8: Estimativas das Estatısticas de Teste de Causalidade de Granger em Risco(BBDC4 ⇒ PETR4) para nucleos truncado, Bartlett, Daniell e Parzen com M variando em5, 10, 20, 30 e 40
BBDC4 ⇒ PETR4M 5 10 20 30 40
Qtrunc -0,6812 0,1823 0,6104 -1,3702 0,7746(p− valor) (0,7521) (0,4277) (0,2708) (0,9147) (0,2193)
Qbart 0,2609 -0,7333 0,1222 -0,0435 -0,5315(p− valor) (0,3971) (0,7683) (0,4514) (0,5173) (0,7025)
Qdan 0,0934 -0,8558 0,2101 0,1139 -0,6082(p− valor) (0,4628) (0,8039) (0,4168) (0,4547) (0,7285)
Qparz 0,7090 -0,8833 -0,0311 0,3384 -0,1894(p− valor) (0,2392) (0,8115) (0,5124) (0,3675) (0,5751)
Logo, tambem rejeitarıamos a hipotese de nao causalidade de Granger em risco. Para
os demais efeitos de M e nucleos, nao rejeitamos a hipotese nula que BBDC4 nao
Granger-causa PETR4 em risco.
Tabela 4.9: Estimativas das Estatısticas de Teste de Causalidade de Granger em Risco(PETR4 ⇒ BBDC4) para nucleos truncado, Bartlett, Daniell e Parzen com M variando em5, 10, 20, 30 e 40
PETR4 ⇒ BBDC4M 5 10 20 30 40
Qtrunc 0,7284 0,6030 -0,2273 -2,4793 -4,1607(p− valor) (0,2332) (0,2733) (0,5899) (0,9934) (1,0000)
Qbart 1,6473 0,9978 0,3865 -0,3291 -1,5762(p− valor) (0,0498) (0,1592) (0,3496) (0,6290) (0,9425)
Qdan 1,5894 0,7437 0,1597 -0,6174 -2,0137(p− valor) (0,0560) (0,2285) (0,4365) (0,7315) (0,9780)
Qparz 1,6451 1,1841 0,2535 0,1413 -0,7139(p− valor) (0,0500) (0,1182) (0,4000) (0,4438) (0,7623)
Na Tabela 4.10, temos os resultados para das estimativas das estatısticas de teste
de BBDC4 ⇔ PETR4. Para todos as variacoes de nucleos e M, nao rejeitamos a
4.6. ANALISE DE CAUSALIDADE DE GRANGER 57
Tabela 4.10: Estimativas das Estatısticas de Teste de Causalidade de Granger em Risco(BBDC4 ⇔ PETR4) para nucleos truncado, Bartlett, Daniell e Parzen com M variando em5, 10, 20, 30 e 40
BBDC4 ⇔ PETR4M 5 10 20 30 40
Qtrunc 0,0333 0,5543 0,2704 -2,7174 -2,3903(p− valor) (0,4867) (0,2897) (0,3934) (0,9967) (0,9916)
Qbart 1,3470 0,1867 0,3591 -0,2630 -1,4878(p− valor) (0,0890) (0,4260) (0,3598) (0,6037) (0,9316)
Qdan 1,1879 -0,0791 0,2611 -0,3555 -1,8508(p− valor) (0,1174) (0,5315) (0,3970) (0,6389) (0,9679)
Qparz 1,5088 0,1225 0,5244 -0,2736 -1,0256(p− valor) (0,0657) (0,4513) (0,3000) (0,6078) (0,8475)
hipotese nula que BBDC4 nao Granger-causa PETR4 em risco com feedback. Assim,
utilizando diferentes formas de nucleos, podemos concluir que nao ha causalidade de
Granger em risco com feedback, ou seja, BBDC4 ; PETR4 .
4.6 Analise de Causalidade de Granger
Nessa secao serao expostos os resultados da analise de Causalidade de Granger
usual. A partir dela, verificaremos se a causalidade de Granger e confirmada sem
considerar os efeitos gerados pelos eventos de risco.
Para efeitos comparativos com os resultados apresentados para causalidade de
Granger em risco, serao utilizados os mesmos fatores de ordem autorregressiva.
Para testar se BBDC4 ⇒ PETR4, teremos os modelos baseados na seguinte es-
trutura:
r1,t =
M11∑i=1
α1,ir1,t−i +
M12∑i=1
β1,ir2,t−i + ut (4.1)
58 CAPITULO 4. APLICACAO
e, analogamente, para testar se PETR4 ⇒ BBDC4, temos:
r2,t =
M21∑i=1
α2,ir1,t−i +
M22∑i=1
β2,ir2,t−i + vt (4.2)
nas quais ut e RB(0, σu) e RB(0, σv).
Iremos aplicar os passos descritos na secao de Conceitos. Para verificar a relacao
BBDC4⇒ PETR4, primeiramente, devemos encontrar a ordem maxima de defasagem
autorregressiva s, variando M11 = 1, 2, ..., 24 na equacao:
r1,t =
M11∑i=1
α1,ir1,t−i + ut. (4.3)
A seguir, na Tabela 4.11 e Figura 4.13, temos os valores do FPE estimados para
inclusao das defasagens ate 24.
Tabela 4.11: Valores estimados do FPE para i = 1, 2, ..., 24 na equacao (4.3)
Defasagem FPE Defasagem FPE1 6,342.10−4 13 6,231.10−4
2 6,326.10−4 14 6,225.10−4
3 6,317.10−4 15 6,227.10−4
4 6,323.10−4 16 6,232.10−4
5 6,314.10−4 17 6,237.10−4
6 6,305.10−4 18* 6,210.10−4
7 6,304.10−4 19 6,215.10−4
8 6,291.10−4 20 6,222.10−4
9 6,256.10−4 21 6,224.10−4
10 6,253.10−4 22 6,231.10−4
11 6,246.10−4 23 6,230.10−4
12 6,229.10−4 24 6,236.10−4
O menor valor estimado do FPE ocorre para a defasagem s=18. As estimativas
4.6. ANALISE DE CAUSALIDADE DE GRANGER 59
5 10 15 20
0.00
0622
0.00
0626
0.00
0630
0.00
0634
FPE
s
FP
E(s
)
Figura 4.13: Valores estimados do FPE para i = 1, 2, ..., 24 na equacao (4.3)
dos parametros da equacao estao na Tabela 4.12.
Retirando os parametros estimados nao significativos, foi obtida a seguinte equacao
reduzida:
ˆr1,t = −0, 0438r1,t−2 − 0, 0535r1,t−3 − 0, 0493r1,t−5 − 0, 0370r1,t−6− (4.4)
−0, 0366r1,t−7 + 0, 0406r1,t−12 + 0, 0458r1,t−14 − 0, 0708r1,t−18 + ut
cujas estimativas estao apresentadas na Tabela 4.13. O conjunto de defasagens
do modelo reduzido e: I1 = 2, 3, 5, 6, 7, 12, 14, 18.O FPE estimado da equacao (4.4) reduziu para 0,0006177 (o modelo completo
apresentava FPE= 0,0006210).
60 CAPITULO 4. APLICACAO
Tabela 4.12: Valores estimados do modelo completo (4.3) para s=18
Parametro Estimativa Erro Pad. Est. Teste p-valor Signif. 1
α1 0,0252 0,0192 1,313 0,1893α2 -0,044 0,0192 -2,339 0,0194 *α3 -0,053 0,0192 -2,788 0,0053 **α4 -0,000 0,0193 -0,01 0,9921α5 -0,050 0,0192 -2,636 0,0084 **α6 -0,035 0,0193 -1,837 0,0662 .α7 -0,035 0,0192 -1,828 0,0677 .α8 -0,001 0,0192 -0,091 0,9275α9 0,0108 0,0192 0,563 0,5732α10 -0,011 0,0192 -0,602 0,5472α11 -0,016 0,0191 -0,86 0,3897α12 0,0426 0,0191 2,221 0,0264 *α13 0,0149 0,0191 0,776 0,4376α14 0,0448 0,0191 2,34 0,0193 *α15 0,0168 0,0191 0,877 0,3807α16 0,0110 0,0191 0,575 0,5653α17 0,0107 0,0191 0,561 0,5751α18 -0,069 0,0191 -3,654 0,0002 ***
1Codigos de Significancia: 0(***) 0.001(**) 0.01(*) 0.05(.) 0.1( )
Tabela 4.13: Valores estimados do modelo reduzido (4.4)
Parametro Estimativa Erro Pad. Est. Teste p-valor Signif. 1
α1 -0,043 0,0191 -2,293 0,0219 *α2 -0,053 0,0191 -2,796 0,0052 **α3 -0,049 0,0191 -2,572 0,0101 *α4 -0,036 0,0191 -1,928 0,0539 .α5 -0,036 0,0191 -1,909 0,0564 .α6 0,0405 0,0190 2,129 0,0333 *α7 0,0458 0,0190 2,408 0,0160 *α8 -0,070 0,0189 -3,729 0,0001 ***
1Codigos de Significancia: 0(***) 0.001(**) 0.01(*) 0.05(.) 0.1( )
4.6. ANALISE DE CAUSALIDADE DE GRANGER 61
O proximo passo e acrescentar os termos defasados r2,t−i, para i = 1, ...,M12, e
encontrar n que apresente o menor valor estimado para o criterio FPE. O modelo e:
r1,t =∑i∈I1
α1,ir1,t−i +
M12∑i=1
β1,ir2,t−i + ut. (4.5)
5 10 150.00
0618
50.
0006
195
0.00
0620
5
FPE
n
FP
E(n
)
Figura 4.14: Valores estimados do FPE para M12 = 1, 2, ..., 18 na equacao (4.5)
Na Tabela 4.14 e Figura 4.14, temos os valores do FPE estimados para inclusao
das defasagens M12 = 1, 2, ..., 18. Temos que na defasagem n = 5 o criterio FPE e o
menor entre eles (0,0006181).
A equacao para n=5 e a seguinte:
ˆr1,t = −0, 0438r1,t−2 − 0, 0535r1,t−3 − 0, 0493r1,t−5 − 0, 0370r1,t−6 − 0, 0366r1,t−7+
+0, 0406r1,t−12 + 0, 0458r1,t−14 − 0, 0708r1,t−18 + 0, 0092r2,t−1
62 CAPITULO 4. APLICACAO
Tabela 4.14: Valores estimados do FPE para i = 1, 2, ..., 18 na equacao (4.5)
Defasagem FPE Defasagem FPE1 6,181.10−4 10 6,231.10−4
2 6,181.10−4 11 6,225.10−4
3 6,182.10−4 12 6,227.10−4
4 6,182.10−4 13 6,232.10−4
5* 6,181.10−4 14 6,237.10−4
6 6,185.10−4 15 6,210.10−4
7 6,186.10−4 16 6,215.10−4
8 6,184.10−4 17 6,222.10−4
9 6,188.10−4 18 6,224.10−4
+0, 0352r2,t−2 − 0, 031r2,t−3 + 0, 0283r2,t−4 + 0, 0358r2,t−5 + ut. (4.6)
As estimativas dos parametros na Tabela 4.15 mostra que todos os coeficientes dos
termos defasados de r2,t−i para i = 1, 2, 3, 4, 5 nao sao significativos. O criterio FPE
para esse modelo foi de 0, 0006181, que e pouco maior que o modelo reduzido estimado
anteriormente. Considerando esses termos, sera verificado se ao incluir serialmente
os termos autoregressivos r1,t−i, ha alguma diminuicao no criterio FPE.
A partir do modelo (4.1), para n = 5, sao incluıdos um a um os termos autore-
gressivos de r1,t conforme a especificacao:
r1,t =∑i∈I1
αir1,t−i +5∑
i=1
βir2,t−i + ut. (4.7)
A Figura 4.15 nos indica que quando incluımos serialmente os 8 termos autorre-
gressivos de r1,t−i, para i ∈ I1, o FPE e o menor.
Assim, como o modelo nao apresenta os parametros dos termos r2,t−i significativos
para i = 1, 2, 3, 4, 5 e o criterio FPE do modelo reduzido (0,0006177) foi menor que o
do modelo completo, nao ha causalidade de Granger da serie PETR4 para BBDC4.
Para testar se PETR4 ⇒ BBDC4, realizamos os mesmos passos. Primeiro, de-
vemos encontrar a ordem maxima de defasagem autorregressiva s em (4.6), variando
4.6. ANALISE DE CAUSALIDADE DE GRANGER 63
Tabela 4.15: Valores estimados do modelo (4.5) para n=5
Parametro Estimativa Erro Pad. Est. Teste p-valor Signif. 1
α3 -0,059 0,0219 -2,713 0,0067 **α4 -0,039 0,0220 -1,812 0,0701 .α6 -0,066 0,0220 -3,012 0,0026 **α7 -0,037 0,0191 -1,954 0,0507 .α8 -0,035 0,0191 -1,869 0,0617 .α13 0,0391 0,0190 2,052 0,0402 *α15 0,0465 0,0190 2,445 0,0145 *α19 -0,071 0,0189 -3,772 0,0001 ***β1 0,0092 0,0205 0,452 0,6511β2 0,0352 0,0236 1,493 0,1355β3 -0,031 0,0236 -1,334 0,1823β4 0,0283 0,0205 1,378 0,1683β5 0,0358 0,0236 1,518 0,1290
1Codigos de Significancia: 0(***) 0.001(**) 0.01(*) 0.05(.) 0.1( )
1 2 3 4 5 6 7 8
0.00
0620
0.00
0622
0.00
0624
0.00
0626
FPE
m
FP
E(m
)
Figura 4.15: Valores estimados do FPE para i ∈ I1 na equacao (4.7)
64 CAPITULO 4. APLICACAO
M22 = 1, 2, ..., 24 na equacao:
r2,t =
M22∑i=1
α2,ir2,t−i + vt. (4.8)
A seguir, na Tabela 4.16 e Figura 4.16, temos os valores do FPE estimados para
inclusao das defasagens ate 24.
5 10 15 20
0.00
0537
0.00
0538
0.00
0539
0.00
0540
FPE
s
FP
E(s
)
Figura 4.16: Valores estimados do FPE para i = 1, 2, ..., 24 na equacao (4.8)
O menor valor estimado do FPE ocorre para a defasagem s=18.Na Tabela 4.17,
constam as estimativas dos parametros da equacao.
O criterio FPE para o modelo completo foi de 0,0005364. Ao retirar os parametros
nao significativos, nao ha reducao do FPE. Sendo assim s=18 e foram considerados
todos os fatores autorregressivos no modelo.
No proximo passo, os fatores defasados da outra serie r1,t foram adicionados grad-
ualmente no modelo, para M21 = 18:
4.6. ANALISE DE CAUSALIDADE DE GRANGER 65
Tabela 4.16: Valores estimados do FPE para M22 = 1, 2, ..., 24 na equacao (4.8)
Defasagem FPE Defasagem FPE1 5,381.10−4 13 5,393.10−4
2 5,381.10−4 14 5,397.10−4
3 5,372.10−4 15 5,402.10−4
4 5,376.10−4 16 5,396.10−4
5 5,381.10−4 17 5,394.10−4
6 5,382.10−4 18* 5,363.10−4
7 5,388.10−4 19 5,369.10−4
8 5,384.10−4 20 5,373.10−4
9 5,389.10−4 21 5,378.10−4
10 5,394.10−4 22 5,379.10−4
11 5,392.10−4 23 5,382.10−4
12 5,387.10−4 24 5,385.10−4
r2,t =
M21∑i=1
α2,ir1,t−i +18∑i=1
β1,ir1,t−i + vt. (4.9)
Nesse caso, para i = 1, ..., 18 nos termos de r1,t−i, somente o primeiro termo
apresenta o melhor valor estimado do criterio FPE, como pode ser visto na Figura
4.17 ou na Tabela 4.18.
As estimativas dos parametros podem ser vistos na Tabela 4.19. A equacao com-
pleta para a equacao (4.9) e a seguinte:
ˆr2,t = 0, 0050r1,t−1+0, 0297r2,t−1−0, 027r2,t−2−0, 054r2,t−3+0, 0168r2,t−4+0, 0022r2,t−5−
−0, 018r1,t−6+0, 0020r2,t−7− 0, 035r2,t−8− 0, 009r2,t−9+0, 0123r2,t−10− 0, 037r2,t−11+
+0, 0419r1,t−12+0, 0033r2,t−13−0, 004r2,t−14−0, 003r2,t−15+0, 0446r2,t−16+0, 0382r2,t−17−
66 CAPITULO 4. APLICACAO
Tabela 4.17: Valores estimados do modelo completo (4.8) para s=18
Parametro Estimativa Erro Pad. Est. Teste p-valor Signif. 1
α1 0,0324 0,0191 1,689 0,0913 .α2 -0,027 0,0191 -1,419 0,1560α3 -0,054 0,0191 -2,82 0,0048 **α4 0,0166 0,0192 0,869 0,3847α5 0,0023 0,0192 0,121 0,9036α6 -0,018 0,0192 -0,944 0,3451α7 0,0020 0,0191 0,106 0,9152α8 -0,035 0,0191 -1,859 0,0631 .α9 -0,009 0,0191 -0,479 0,6322α10 0,0123 0,0191 0,643 0,5200α11 -0,037 0,0191 -1,941 0,0523 .α12 0,0419 0,0191 2,183 0,0291 *α13 0,0033 0,0192 0,175 0,8613α14 -0,004 0,0192 -0,251 0,8020α15 -0,003 0,0192 -0,193 0,8468α16 0,0446 0,0191 2,326 0,0200 *α17 0,0382 0,0192 1,993 0,0463 *α18 -0,082 0,0191 -4,316 0,0000 ***
1Codigos de Significancia: 0(***) 0.001(**) 0.01(*) 0.05(.) 0.1( )
Tabela 4.18: Valores estimados do FPE para s=18 e i = 1, 2, ..., 18 na equacao (4.9)
Defasagem FPE Defasagem FPE1* 0,0005371.10−4 10 5,399.10−4
2 0,0005375.10−4 11 5,399.10−4
3 0,0005379.10−4 12 5,403.10−4
4 0,0005380.10−4 13 5,406.10−4
5 0,0005383.10−4 14 5,406.10−4
6 0,0005385.10−4 15 5,405.10−4
7 0,0005389.10−4 16 5,409.10−4
8 0,0005393.10−4 17 5,412.10−4
9 0,0005396.10−4 18 5,415.10−4
4.6. ANALISE DE CAUSALIDADE DE GRANGER 67
5 10 150.00
0537
0.00
0538
0.00
0539
0.00
0540
0.00
0541
FPE
n
FP
E(n
)
Figura 4.17: Valores estimados do criterio FPE para i = 1, 2, ..., 18
−0, 082r2,t−18 + vt. (4.10)
O criterio FPE para o modelo completo foi 0,0005371, que e maior que o modelo ao
se considerar somente os termos autorregressivos de r2,t. Como o parametro de r1,t−1
nao e significativo, isso nos leva a conclusao de que nao ha causalidade de Granger
da serie BBDC4 em PETR4.
Para verificar se existe causalidade instantanea entre as duas series, foi calculada a
estimativa da funcao de autocorrelacao cruzada entre os resıduos estimados ut e vt das
equacoes completas (4.6) e (4.10). O valor obtido foi 0,4854. Logo, devemos rejeitar
a hipotese que ruv(0) = 0. Isso significa que ha causalidade de Granger instantanea
entre BBDC4 e PETR4.
68 CAPITULO 4. APLICACAO
Tabela 4.19: Valores estimados do modelo completo (4.9) para s = 18 e n = 1
Parametro Estimativa Erro Pad. Est. Teste p-valor Signif.1
α1 0,0297 0,0220 1,353 0,1763α2 -0,027 0,0191 -1,416 0,1568α3 -0,054 0,0191 -2,824 0,0047 **α4 0,0168 0,0192 0,876 0,3811α5 0,0022 0,0192 0,117 0,9069α6 -0,018 0,0192 -0,943 0,3459α7 0,0020 0,0191 0,107 0,9150α8 -0,035 0,0192 -1,845 0,0651 ,α9 -0,009 0,0192 -0,474 0,6354α10 0,0123 0,0191 0,642 0,5206α11 -0,037 0,0191 -1,942 0,0522 ,α12 0,0419 0,0191 2,183 0,0291 *α13 0,0033 0,0192 0,174 0,8621α14 -0,004 0,0192 -0,256 0,7981α15 -0,003 0,0192 -0,195 0,8455α16 0,0446 0,0191 2,325 0,0201 *α17 0,0382 0,0192 1,989 0,0467 *α18 -0,082 0,0191 -4,318 0,0000 ***β1 0,0050 0,0204 0,246 0,8057
1Codigos de Significancia: 0(***) 0.001(**) 0.01(*) 0.05(.) 0.1( )
Capıtulo 5
Consideracoes Finais
Neste trabalho foi apresentada uma metodologia de analise de causalidade de
Granger em Risco. O objetivo foi estabelecer passos para identificacao de eventos
considerados de risco a partir da avaliacao da medida do VaR e assim verificar atraves
das hipoteses formuladas, se uma serie causa a outra no sentido de Granger por eventos
extremos. Foi possıvel observar que o resultado e sensıvel as variacoes de nucleos e
janelas no estimador da funcao de densidade espectral cruzada. Essa escolha deve
ser dada de acordo com a importancia que se queira dar para as observacoes mais
recentes ou distantes no tempo.
O primeiro passo foi realizar o tratamento dos dados, ajustando a serie para
eventos corporativos e mudanca no fator de cotacao de negociacao. Atraves da analise
descritiva das duas series de log-retornos de precos, foi visto que ambas possuem
caudas pesadas e assimetria.
Os modelos CaViaR foram utilizados para ajustar o VaR ao longo do perıodo para
as duas series. Foram escolhidos alguns tipos de especificacao de modelos CaViaR
para se analisar qual era o mais adequado, dado o comportamento das series. O ajuste
do modelo foi avaliado segundo alguns testes de adequacao e medidas auxiliares para
verificar a ordem de grandeza das violacoes ao VaR. Foi priorizado a escolha do
modelo que apresentasse as condicoes satisfatorias para os testes de adequacao e que
melhor fosse avaliado no quesito do valor acumulado de violacoes.Para a serie de log-
retornos de precos da acao BBDC4 o modelo escolhido foi o inclinacao assimetrica.
69
70 CAPITULO 5. CONSIDERACOES FINAIS
Ja o modelo ajustado para PETR4 foi o valor absoluto simetrico.
Ajustado o modelo, as duas series foram transformadas em series de indicadores de
eventos de risco, cujas ocorrencias se dao atraves das violacoes ao VaR. A partir delas,
foram testadas as hipoteses de causalidade de Granger em risco. Nao foi verificada a
causalidade de Granger em risco significativa entre as duas series, exceto na utilizacao
do nucleo de Bartlett com M=5 na qual PETR4 ⇒ BBDC4.
Somente para efeito comparativo, foi avaliado se ha causalidade de Granger usual
entre as series. Foi escolhida a metodologia proposta por Hsiao (1979) [6] para realizar
esse teste. Nao houve evidencia de causalidade de Granger entre as series. Atraves
do teste de causalidade instantanea, proposto por Pierce e Haugh (1977) [15], vimos
que ha causalidade instantanea entre as series.
Apendice A
Suposicoes para Teoremas
Suposicoes utilizadas para os Teoremas B.0.1 e B.0.2
1. Para l = 1, 2, Ylt e um processo estocastico com funcao de distribuicao descon-
hecida, continuamente diferenciavel duas vezes, Flt(y) = P (Ylt ≤ y|It−1), onde
y ∈ R e It−1 e toda informacao disponıvel ate o tempo t− 1.
2. Para βl ∈ Θ ⊂ Rdl , onde dl e um inteiro positivo, l = 1, 2, Vlt(βl) = Vl(Il(t−1),βl)
e um modelo de VaR ao nivel τ ∈ (0, 1) tal que:
(a) para cada βl ∈ Θ, Vlt(βl) e funcao mensuravel de Il(t−1);
(b) com probabilidade 1, Vlt(·) e duas vezes continuamente diferenciavel com
relacao a βl ∈ Θ, com
limT→∞T−1
T∑t=1
E
supβl∈Θ
∥∥∥∥∥ ∂
∂βFlt[−Vlt(βl)]
∥∥∥∥∥4 < ∞
e
limT→∞T−1
T∑t=1
E
supβl∈Θ
∥∥∥∥∥ ∂2
∂β∂β′Flt[−Vlt(βl)]
∥∥∥∥∥2 < ∞.
3. Para l = 1, 2, existe algum β0l ∈ Θ tal que:
(a) P (Ylt < −Vlt(β0l )|Il(t−1)) = τ ;
71
72 APENDICE A. SUPOSICOES PARA TEOREMAS
(b) o indicador de risco Z2t(β02) = I[Y2s < −V2s(β
02)] depende do passado
de comprimento finito e longo arbitrariamente de Z1s(β01) = I[Y1s <
−V1s(β01)], s < t.
4. T12 (βl −β∗
l ) = Op(1) para l = 1, 2, onde β∗l = plimβl e β
∗l = β0
l sob a hipotese
nula de interesse.
5. Para St(β) = [S1t(β1)′, S2t(β2)
′]′, onde Slt(βl) =∂Flt[−Vlt(βl)]
∂βl
.
(a)∞∑j=0
∥ Γ(j) ∥≤ ∆, onde Γ(j) = cov[St(β)′, Zt−j(β
∗)′];
(b)∞∑
j=−∞
∞∑k=−∞
∞∑l=−∞
∥ κ0(j, k, l) ∥≤ ∆, onde κ0(j, k, l) e a funcao de dis-
tribuicao acumulada de quarta ordem de St(β∗)′ − ESt(β
∗)′.
6. Para k: R → [−1, 1] e funcao simetrica que e contınua em zero e em todos os
pontos exceto em um numero finito de pontos em R, com k(0) = 1 e
∞∫−∞
k2(z)dz.
Apendice B
Teoremas
Teorema B.0.1 (Consistencia) No modelo (2.2), sobre as suposicoes que seguem,
temos que βd−→ β, onde β e a solucao de (2.3). As suposicoes para que o teorema
seja valido sao as seguintes:
1. ϵtτ ,xt, t = 1, 2, ... sao vetores aleatorios do espaco completo de probabilidade
(Ωt, F, P );
2. A funcao Qt(β) : Rkt × B → R e tal que para cada β ∈ B, um subcon-
junto compacto de Rp, Qt(β) e mensuravel com relacao ao conjunto Ωt e Qt(·)e contınua em B, t=1,2,... para uma escolha dada de variaveis explicativas
yt−1,xt−1, ..., y1,x1;
3. O erro ϵtτ condicionado a toda informacao passada Ωt e processo estacionario,
com distribuicao condicional de densidade ht(ϵtτ |Ωt);
4. Existe h > 0 tal que para todo t, ht(0|Ωt) ≥ h;
5. |Qt(β)| < K(Ωt) para cada β ∈ B e para todo t, onde K(Ωt) e uma funcao (pos-
sivelmente) estocastica de variaveis que pertencem ao conjunto de informacao
tal que E(|K(Ωt)|) ≤ K0 < ∞ para alguma constante K0;
6. E(|ϵtτ |) < ∞ para todo t;
7. [τ − I (yt < Qt(β))] [yt −Qt(β)] obedece a lei uniforme dos grandes numeros;
73
74 APENDICE B. TEOREMAS
8. Para todo ξ > 0, existe δ > 0 tal que se∥∥β−β0
∥∥ ≥ ξ, entao lim infn→∞
n−1∑
P [|Qt(β)−Qt(β
0)| > δ] > 0.
Teorema B.0.2 (Normalidade assintotica) No modelo (2.2), com as seguintes
suposicoes e condicoes do Teorema (B.0.1), temos que
√nA
− 12
n Dt(β − β0)d−→ N(0, I)
onde β e obtido por (2.3) e
An = E
[n−1τ(1− τ)
n∑i=1
′Qt(β0)Qt(β
0)
],
Dn = E
[n−1
n∑i=1
ht(0|Ωt)′Qt(β0)Qt(β
0)
].
Alem das condicoes do Teorema (B.0.1), devem tambem ser safisfeitas as seguintes
condicoes:
1. Qt(β) e diferenciavel em B para todo β e γ em uma vizinhanca υ0 de β0, tal
que∥∥β − γ
∥∥ ≤ d para d suficientemente pequeno e para todo t:
(a)∥∥Qt(β)
∥∥ ≤ F (Ωt), onde F (Ωt) e alguma funcao (possivelmente) es-
tocastica que pertence ao conjunto de informacoes e E[F (Ωt)
3]≤ F0 ≤ ∞
para alguma constante F0;
(b)∥∥Qt(β)−Qt(γ)
∥∥ ≤ M(Ωt,β,γ) = O(∥∥β − γ
∥∥), onde M(Ωt,β,γ) e al-
guma funcao tal que E [M(Ωt,β,γ)]2 ≤ M0
∥∥β−γ∥∥ < ∞ e E [M(Ωt,β,γ)] ≤
M1
∥∥β − γ∥∥ < ∞ para algumas constantes M0 e M1.
2. (a) ht(ϵ|Ωt) ≤ N < ∞ ∀t, para alguma constante N;
(b) ht(ϵ|Ωt) satisfaz a condicao Lipschitziana |ht(λ1|Ωt)− ht(λ2|Ωt)| ≤ L|λ1 −λ2| para alguma constante L < ∞;
75
(c) As matrizes
An = E
[n−1τ(1− τ)
n∑i=1
′Qt(β0)Qt(β
0)
],
Dn = E
[n−1
n∑i=1
ht(0|Ωt)′Qt(β0)Qt(β
0)
]tem os menores auto-valores limitados inferiormente por uma constante T
suficientemente grande.
(d)
n− 12
n∑i=1
[τ − I
(yt < Qt(β)
0)]
′Qt(β0).
Teorema B.0.3 (Estimacao da matriz de variancia-covariancia) No modelo (2.2),
com as suposicoes a seguir e as condicoes do Teoremas (B.0.1) e (B.0.2), temos que:
Anp−→ An e Dn
p−→ Dn, onde
An =′Qt(β)Qt(β)
n
e
Dn =
∑ni=1 I
(|yt −Qt(β)| < cn
)′Qt(β)Qt(β)
2ncn.
1.cncn
p−→ 1, na qual a sequencia nao estocastica cn satisfaz cn = O(1) e c−1t =
O(n
12
).
2. E(|F (Ω)t|4
)≤ F1 ≤ ∞, para todo t e alguma constante F1, onde F (Ω foi
definida na condicao 1.a do Teorema (B.0.1).
3.τ(1− τ)
∑ni=1 ′Qt(β
0)Qt(β0)
n− An
p−→ 0
76 APENDICE B. TEOREMAS
eht(0|Ωt)′Qt(β
0)Qt(β0)
n− An
p−→ 0.
Referencias Bibliograficas
[1] Christoffersen, P. F. (1998),Evaluating Interval Forecasts, International Eco-
nomic Review, 39, 841-862.
[2] Engle, R. F., and Manganelli, S. (2004),CAViaR: Conditional Autoregressive
Value at Risk by Regression Quantiles, Journal of Business and Economic Statis-
tics, 22, 367-381.
[3] Granger, C.W.J (1969), Investigating causal relations by econometric models
and cross-spectral methods, Econometrica,37,424-438.
[4] Granger, C.W.J (1980), Testing for causality: A personal view,Journal of Eco-
nomic Dynamics and Control, 2,329-352.
[5] Granger, C. W. J. and Hatanaka, M., Spectral Analysis of Economic Time Series,
Princeton University Press, third Ed., New Jersey, 1964.
[6] Hsiao, C. (1979),Autoregressive Modeling of Canadian Money and Income Data,
Journal of the American Statistical Association, 367, 553-560.
[7] Hong, Y., Liu, I., Wang,S. (2010), Granger causality in risk and detection of
extreme risk spillover between finantial markets,Journal of Econometrics, 150,
271-287.
[8] Jenkins, G. M. and Watts, D. G., Spectral Analysis and its applications, Holden-
Day Series, first Ed., London, Holden-Day, 1969.
77
78 REFERENCIAS BIBLIOGRAFICAS
[9] Jorion, P., Value at Risk: A Nova Fonte de Referencia para o Controle do Risco
de Mercado, BM&F - Bolsa de Mercadorias & Futuros, Sao Paulo,1999.
[10] Koenker, R. and Basset, G. (1978), Regression Quantiles, Econometrica, 46,
33-50.
[11] Koenker, R. W. (2005), Quantile Regression, Cambridge, UK: CambridgeUni-
versity Press.
[12] Kuester, K., Mittnik, S., and Paolella, M.,S. (2005), Value-at-Risk Prediction:
A Comparison of Alternative Strategies, Journal of Finacial Econometrics,4,
53-89.
[13] Morettin, P. A., Econometria Financeira, Segunda Ed., Sao Paulo,2008.
[14] Morettin, P. A. e Toloi, C. M. C. (2006), Analise de Series Temporais, Segunda
Ed.,Editora Edgard Blucher, Sao Paulo,2006.
[15] Pierce, D.A. and Haugh, L. (1977), Causality in temporal systems: Characteri-
zations and a survey, Journal of Econometrics, 5, 265-293.
[16] Tsay, R. S. , Analysis of Financial Time Series, Wiley-Interscience, Second Ed.,
New Jersey, 2005.
[17] Zivot, W., and Wang, J. , Modeling Financial Time Series With S-Plus, Springer,
second Ed., New York, 2006.